Correction TD Statistique Inférentielle

PREPA EXAM RAPPELS COURS TD ET CORRECTION 2019-2020
SOMMAIRE
CHAPITRE I : RAPPELS
DES ELEMENTS D’ANALYSE COMBINATOIRE ET DE CALCULS DES
PROBABILITES……………
CHAPITRE II : LES VARIABLES ALEATOIRES …………………………………
CHAPITRE III : LES LOIS DE PROBABILITES USUELLES…………………
CHAPITRE IV : LES COUPLES DE VARIABLES ALEATOIRES ……………
CHAPITRE V : ECHANTILLONNAGE…………………………………………………
CHAPITRE VI : ESTIMATION PONCTUELLE ET PAR INTERVALLE DE CONFIANCE .
CHAPITRE VII : LES TESTS STATISTIQUES…………………………
CHAPITRE VIII : LE TABLEAU ANOVA………………………………
1
CHAPITRE I :
Rappels des éléments d’Analyse

Combinatoire et de Calculs des
Probabilités
I. RAPPELS DES ELEMENTS D’ANALYSE
COMBINATOIRE
L’Analyse Combinatoire a pour but de compter, de dénombrer et d’énumérer les différentes
façons d’associer ou de ranger un nombre finis d’éléments ou d’en choisir certains dans un
ensemble déterminé. Ou de déterminer le nombre de dispositions possibles qu’on peut former à
partir des éléments d’un ensemble finis.
1- Les permutations :
Une permutation est un classement ordonné de n élément. Ou la manière de ranger n objets ensembles.
On distingue les permutations sans répétitions des permutations avec répétitions.
PERMUTATIONS SANS PERMUTATIONS AVEC

REPETITIONS REPETITIONS
Pn=n! n!
P n' =
n1 ! n2 ! … nk !
2- Les arrangements :
On appelle arrangement de p objets pris parmi n, chacun des groupements ordonnés de ces p objets choisi
parmi les n. On distingue les arrangements sans répétitions des arrangements avec répétitions.
ARRANGEMENT SANS ARRANGEMENT AVEC

p n! A'np=n p
An =
( n− p ) !
2
3- Les combinaisons
On appelle combinaison de p objets pris parmi n, chacun des groupements non ordonnés de ces p objets
choisi parmi les n. On distingue les combinaisons sans répétitions des combinaisons avec
répétitions.
COMBINAISON SANS COMBINAISON AVEC

p n! p p ( n+ p−1 )
Cn= K n =Cn + p−1=
p ! ( n− p ) ! P ! ( n−1 ) !
II. RAPPELS DES ELEMENTS DE CALCULS DES

PROBABILITES
1- Propriétés des opérations sur les ensembles
a) Á=A
b) AB= A+ B
c) A+ B= A × B
d)(associativité)( A+ B ) +C= A+( B+C )
e) (commutativité) A+ B=B+ A
f) ( AB ) C= A ( BC )
g) AB=BA
2- Evénements et probabilités
 Evénement
Un évènement est un ensemble d’éléments d’échantillon.
 Probabilité d’un événement
La probabilité d’un évènement est égale à la somme des probabilités des points d’échantillon qui
constituent cet événement.
Nombres decas favorables

P ( E )=
Nombre de caspossibles
3
3- Complément d’un événement

Etant donné un événement A , le complément de A est défini comme étant l’événement composé de tous
les points d’échantillon qui ne constituent pas A . le complément de A est noté A . On a :
P ( A ) + P ( A )=1
4- La loi de la somme ou Axiome des probabilités totales dans le cas

de deux ensembles non disjoints
P ( A ∪ B ) =P ( A )+ P ( B )−P ( A ∩B )
5- Probabilité conditionnelle
P ( A ∩ B)
P ( A /B )=
P (B )
P ( A ∩ B)
P ( B / A )=
P ( A)
P ( A ∩ B ∩C )
P ( AB/ C )=
P (C)
6- Evénements indépendants
Deux événements A et B sont indépendants si :
P ( A /B )=P ( A )
Ou
P ( B / A )=P ( B )
Ainsi
P ( A ∩ B )=P ( A ) × P ( B )
7- Evénements incompatibles
Deux événements A et B sont incompatible si :
A ∩ B=∅
et
P ( A ∩ B )=0
8- Théorème de Bayes
4
P ( Ai ) P ( B i / A )
P ( A i / B )=
P ( A i ) P ( Bi / A ) + P ( A i ) P ( B i / A )
9- Schéma de tirage exhaustif (ou sans remise)

CnN CnN … CnN
1 2 k
P ( n1 , n2 , … , n k ) = 1 2 3
C nN
10- Schéma de tirage bernoullien (ou avec remise)

n1 n2 nk n!
P ( n1 , n2 , … , n k ) =P1 P2 … Pk
n1 !n2 ! … nk !
CHAPITRE II :
Les variables aléatoires

Une variable aléatoire est une description numérique du résultat d’une expérience aléatoire.
I. VARIABLES ALEATOIRES DISCRETES
1- Définition
Une variable aléatoire qui peut prendre soit un nombre fini de valeurs, soit un ensemble infini de valeurs
dénombrables, telles que 0, 1,2, … est dite variable aléatoire discrète.
Exemples de variables aléatoires discrètes

EXPERIENCE VARIABLES VALEURS QUE PEUT
ALEATOIR PRENDRE LA
E (X) VARIABLE
ALEATOIRE
Contacter cinq clients Nombre de clients 0, 1, 2, 3, 4, 5
qui passent
commande
Inspecter une cargaison Nombre de radios 0, 1,2, …, 49,50
de 50 radios défectueuses
Gérer un restaurant Nombre de clients 0, 1, 2, 3…
pendant une
journée
Vendre une automobile Sexe des clients 0 si le client est un homme;
1 si le client est une femme
2- Distribution de probabilité discrète (ou loi de probabilité

discrète)
5
La distribution de probabilité d’une variable aléatoire discrète décrit comment sont distribuées les
probabilités en fonction des valeurs de la variable aléatoire.
 Conditions requises pour une fonction de probabilité discrète :
P ( X=x ) ≥ 0
∑ P ( X =x )=1
3- Espérance mathématique
E ( X ) =∑ P ( X=x ) . x
4- Variance
V ( X )=E ( X 2 )−E ( X )2
II. VARIABLES ALEATOIRESCONTINUE
1- Définition
Une variable aléatoire qui peut prendre ses valeurs dans un intervalle ou suite d’intervalles est appelée
variable aléatoire continue. Les résultats d’expériences basés sur des échelles de mesure telles que
le temps, le poids, la distance et la température peuvent être décrits par des variables aléatoires
continues.
Exemples de variables aléatoires continues

VALEURS QUE
PEUT
EXPERIENCE VARIABLES ALEATOIRE PRENDRE
(X) LA
VARIABL
E
ALEATOI
RE
 Gérer une banque Temps écoulé entre les arrivés x≥0

des clients en minutes
 Remplir une canette Nombre de centilitres 0 ≤ x ≤ 33

de coca (max 33 cl)
 Construire une Pourcentage du projet réalisé
nouvelle bibliothèque après six mois
0 ≤ x ≤ 100
 Tester un nouveau Température à laquelle la

processus chimique réaction désirée se produit
(min 150oF ; max 212oF) 150 ≤ x ≤212
2- Distribution de probabilité continue : Fonction de répartition

La distribution de probabilité d’une variable aléatoire continue est définie par une fonction de
répartition.
6
+∞
F ( X )=P ( X ≤ x )= ∫ f ( x ) dx
−∞
Avec f ( x )=fonctiondensité
 Conditions requises pour une fonction de probabilité discrète :
P ( X=x ) ≥ 0
+∞
∫ f ( x ) dx=1
−∞
3- Espérance mathématique
+∞
E ( X ) =∫ xf ( x ) dx
−∞
4- Variance
+∞
V ( X )= ∫ ( x−E ( X ) ) f ( x ) dx
2
−∞
V ( X )=E ( X 2 )−E ( X )2
CHAPITRE III :
LES LOIS DE PROBABILITES

USUELLES
I. LOIS DISCRETES USUELLES
LOIS UTILISATION FORMULES E Var
La loi Evénement ayant

bino deux issues
x x n−x
mial possibles : P ( X=x )=Cn p q
e succès(p) et
échec(q).et np npq
X ↝B (n ; tirage avec
p) remise
7
X = 0,1…n p+q=1
La loi de Utilisé pour

pois modéliser les
son taux e−m mx m m
d’arrivée P ( X=x )=
x!
X ↝P (m) dans des
situations de
file d’attente.
Evénement
rares
La loi x
C a Cb
n− x
N−n
P ( X=x )= npq
hyp C
n N−1
ergé Tirage sans remise. N np
omé
triq
ue
X ↝H (N,
n, p)
La loi Équiprobabilité 1 n+1 2

n −1
disc n 2 12
rète
unif
orm
e
La loi Evénement ayant P ( X=x )= ( q )

x−1
p
géo deux issues
mét possibles : 1 q
riqu succès (p) et P p2
e échec(q) on
répète
l’épreuve
X ↝G(p)
jusqu’à
l’obtention
du 1er succès.
II. LOIS CONTINUES USUELLES

LOIS FORMULES E (X) Var (X)
8
{
1
si a ≤ x ≤b
f ( x )= b−a
LA LOI 0 sinon a+b (b−a)2
UNIFORM 2 12
E
−( )
2
x−m
1 σ
f ( x )= e
LA LOI σ √2 π m 2
σ
NORMAL
E
2
LA LOI 1
−T
NORMAL f ( x )= e 2
E
√2 π 0 1
CENTREE-
REDUITE
LOI GAMMA
On dit qu'une
variable
aléatoire
réelle à
densité X
suit une loi Dans cette formule, Γ est la
Gamma de fonction Gamma
paramètres d'Euler définie par :
λ et a (λ et a
étant
des réels > 0) si, et
seulement
si, sa densité
de
probabilité
est donnée
par la
formule :
1
−x
μ
μ μ2
f ( x )= e
μ
LOI
EXPONEN f ( x )=μ e− xμ 1 1
TIELLE μ μ2
LOI BETA
9
CHAPITRE IV :
ECHANTILLONNAGE
A- Introduction
Etude Statistique = étude des caractéristiques (variables statistiques) d’un ensemble d'objets (population,
composée d'individus) .
 Recensement : les valeurs des variables sont disponibles sur l'ensemble de la population statistique
descriptive (pas besoin de stat inférentielle)
Ex : Recensement de la population française, notes obtenues par tous les candidats à un examen, salaires
de tous les employés d'une entreprise, …⇒
Problèmes : coûteux, long, impossible (population infinie), mesures destructrices (ex : tests en
vieillissement accélérés)
 Sondage : On n'étudie qu'une partie de la population : un échantillon. Les méthodes permettant de
réaliser un échantillon de bonne qualité (sui ressemble à la population dont il est issu) sont étudiées en
théorie de l’échantillonnage.
On cherche alors à extrapoler à la population entière les propriétés mises en évidence sur l'échantillon :
statistique inférentielle.
B- Théorie de l’échantillonnage
B-1 Introduction
Théorie de l’échantillonnage = Etude des liaisons existant entre une population et les échantillons de
cette population, prélevés par sondage.
Méthodes d’échantillonnage : ensemble des méthodes permettant de réaliser un sondage (de prélever
un échantillon de données) au sein d’une population, de manière à reproduire un échantillon aussi
représentatif que possible de cette population.
Evaluation de ces méthodes : le système d'échantillonnage sera jugé d'après la qualité des
approximations des paramètres de la population, calculées sur l’échantillon prélevé. Pour cela, on
étudiera la loi des caractéristiques classiques d’un échantillon (moyenne arithmétique, variance
empirique,…)
B-2 Les méthodes d’échantillonnage
Les méthodes empiriques : les plus utilisées par les instituts de sondage. Leur précision ne peut pas
être calculée et leur réussite dépend de l’expertise des enquêteurs.
• Echantillonnage sur la base du jugement : Echantillon prélevé à partir d’avis d’experts, qui connaissent
bien la population et sont capable de dire quelles sont les entités représentatives.
Problème: l’avis des experts est subjectif.
• Echantillonnage par la méthode des quotas : Echantillon prélevé librement à condition de respecter une
composition donnée à l’avance (sexe, âge, CSP,…).
Problème : repose sur la pertinence des catégories retenues
10
Les méthodes aléatoires : Reposent sur le tirage au hasard d’échantillons et sur le calcul des
probabilités.
• Echantillonnage aléatoire simple : On prélève dans la population, des individus au hasard, sans
remise : tous les individus ont la même probabilité d’être prélevés, et ils le sont indépendamment
les uns des autres.
• Echantillonnage aléatoire stratifié : Suppose que la population soit stratifiée, i.e. Constituée de sous-
populations homogènes, les strates. (ex : stratification par tranche d’âge). Dans chaque strate, on
fait un échantillonnage aléatoire simple, détaille proportionnelle à la taille de strate dans la
population (échantillon représentatif). Les individus de la population n’ont pas tous la même
probabilité d’être tirés. Nécessite une homogénéité des strates. Augmente la précision d’estimations.
• Echantillonnage par grappe : on tire au hasard des grappes ou familles d’individus, et on examine tous
les individus de la grappe (ex : on tire des immeubles puis on interroge tous les habitants). La
méthode est d’autant meilleure que les grappes se ressemblent et que les individus d’une même
grappe sont différents, contrairement aux strates.
CHAPITRE V :
ESTIMATION
11
Estimation
Objectifs et compétences
L’objectif de cette partie est de donner à l’étudiant les outils nécessaires pour appréhender
les variations échantillonnages et les appliquer au problème d’estimation. L’étudiant devra
identifier l’objectif de l’étude statistique et choisir la méthode appropriée pour apporter une
solution raisonnable.
L’étudiant sera en mesure de
• identifier et calculer les estimateurs des principaux paramètres statistiques
• évaluer les probabilités approximatives sur la moyenne échantillonnage et sur le total
• identifier et utiliser les formules pour le calcul des principaux intervalles de confiance
• calculer la précision d’un intervalle de confiance et déterminer la taille de l’échantillon
nécessaire pour obtenir une marge d’erreur donnée
UN ESTIMATEUR ET UNE ESTIMATION

 L'objectif de l'estimation statistique est le suivant : évaluer certaines grandeurs associées à une
population a partir d'observations faites sur un échantillon. Bien souvent, ces grandeurs sont des
moyennes ou des variances. On prendra soin de distinguer ces grandeurs théoriques (inconnues et a
estimer) de celles observées sur un échantillon.
 Un estimateur permet de calculer une valeur sur un échantillon qui devrait être proche du paramètre
sans pour autant savoir si cette valeur est totalement fiable.
ESTIMATION PONCTUELLE
Estimation ponctuelle : On cherche à estimer une valeur inconnue liée à un certain phénomène aléatoire,
en général, la moyenne ou la variance ou encore l'écart-type de la loi du phénomène.
Estimateur
Le caractère qui est mesuré dans la population est associée à une variable aléatoire et de ce fait
il y a des paramètres qui lui sont rattachés comme la moyenne µ, l’écart type σ, la probabilité
de succès π, etc. L’estimation ponctuelle permet d’obtenir une approximation d’un paramètre
de la population. Il est évidemment illusoire de vouloir connaître exactement un caractère
aléatoire puisque sa principale propriété est justement de ne pas être connu avant la réalisation
de l’expérience aléatoire et que les seules fenêtres que nous ayons sur ces phénomènes sont
certaines de ses réalisations.
Si on prend par exemple la température du 8 janvier de l’année prochaine, elle ne peut être
connue exactement puisque c’est une notion aléatoire et même la probabilité d’avoir une température de -4 ◦C n’est
pas connue exactement puisque le phénomène climatique menant à la
journée du 8 janvier de l’année prochaine n’est pas entièrement maîtrisé. On est en présence
d’une variable aléatoire qu’on veut connaître. Or on peut obtenir cette connaissance en regardant les
caractéristiques des variables aléatoires pour appréhender une partie de l’information
disponible sur ces phénomènes.
Exemple 1.1 ⋆Une entreprise désire connaître le salaire des cadres de même niveau dans
les autres entreprises. Le paramètre d’intérêt est le salaire moyen µ tandis que l’estimation, ou
approximation, sera le salaire moyen des cadres de même niveau observé dans les entreprises
échantillonnées c’est-à-dire X. On cherche à déterminer si le salaire moyen est le même que
dans les autres entreprises. Le salaire moyen des cadres est connu dans l’entreprise alors le
problème est de vérifier si celui des autres entreprises est différent.
12
D’une façon plus générale, posons θ un paramètre quelconque de la population qui peut être
un indice de centre, de dispersion, de probabilité ou autre. Un estimateur de ce paramètre,
que nous notons θ^ est une fonction de l’échantillon qui donne une approximation de θ selon
les observations disponibles, on note θ^ (X 1 , X 2, . . . X n). C’est une v.a. puisqu’elle dépend
de l’échantillon particulier qui a été choisi mais c’est aussi une approximation du paramètre
d’intérêt θ . On s’intéresse dans un premier temps aux paramètres principaux de la variable
aléatoire : moyenne, variance ou proportion de succès (µ , σ 2, π ). D’autres paramètres peuvent
aussi être d’intérêt mais c’est plus rare.
Il y a deux propriétés fondamentales des estimateurs qui sont importantes : il faut obtenir
une approximation de la bonne chose en moyenne, c’est l’absence de biais et il faut que
l’augmentation de l’information disponible se traduise par une meilleure approximation, c’est
la convergence.
Mathématiquement cela se traduit par

• On dit qu’un estimateur est non biaisé si E ( θ ) =θ ^ c’est-à-dire l’approximation mesure la
bonne chose en moyenne.
• On dit qu’un estimateur est convergent si Var ( θ^ ) → 0 lorsque n converge vers l’infini.
Un estimateur convergent veut simplement dire que si on ajoute de l’information (taille de

l’échantillon plus grande) alors la variation échantillonnale est moins grande d’où une plus
grande précision de l’approximation.
Voici quelques estimateurs :
le premier cas, c’est la v.a. qui permet d’obtenir une approximation du paramètre et puisque
c’est une v.a. sa valeur n’est pas connue mais sa loi de probabilité peut être connue. L’estimation
est la réalisation de cette variable aléatoire, c’est donc la valeur observée dans l’échantillon.
Remarque 1.2 On note généralement, mais pas toujours, par une lettre majuscule l’estimateur
(la formule) et par une lettre minuscule l’estimation. Ainsi, on note X l’estimateur de µ et x
l’estimation dans un cas précis.
Exemple 1.2 ⋆Un échantillon de 40 cigarettes d’une certaine marque a donné les teneurs
en goudron (en mg) suivantes :
12,9 11,9 12,4 14,5 13,1 12,9 14,5 14,7 12,3 13,4 14,7 14,5 16,5 12,7 14,8 11,8 14,3 14,4 13,5
11,9 12,8 13,5 14,4 15,0 15,2 11,8 12,9 13,6 14,6 12,9 11,8 14,2 12,8 13,9 12,9 12,8 11,8 13,4
15,6 14,7
La norme en vigueur recommande une teneur en goudron d’au plus 13 mg par cigarette. Donner une valeur
estimée :
a) de la proportion des cigarettes de cette marque qui respectent la norme de la teneur en
goudron
b) de la teneur en goudron moyenne des cigarettes de cette marque
c) de l’écart type de la teneur en goudron des cigarettes de cette marque.
13
Solution :
Exemple 1.3 ⋆Les diamètres de 20 vis produites par une machine sont les suivants :
1,05 1,04 1,06 1,02 1,03 1,04 1,07 1,09 1,02 1,03 1,05 1,03 1,09 1,07 1,03 1,05 1,07 1,04 1,02 1,01
Donner une valeur estimée pour le diamètre moyen des vis et pour la variance du diamètre.
Solution : Un estimateur de la moyenne est X et un estimateur de la variance est S2. Or on
observe
ESTIMATION PAR INTERVALLE DE

CONFIANCE
Estimation par Intervalles de confiance : c'est un intervalle dans lequel se trouve θ avec une probabilité
grande 1-α (où α est un risque qu'on se fixe, en général, petit). On peut en théorie choisir 1-α aussi
proche de 1 que l'on veut, mais alors l'intervalle de confiance grandit et devient imprécis. Il s'agit
donc d'un compromis entre précision (intervalle peu étendu) et sureté (α petit).
 Estimation par intervalle de la moyenne d’une population σ connu
σ
X ± zα/ 2
√n
 Estimation par intervalle de la moyenne d’une population σ inconnu
s
X ± zα / 2
√n
s=
√ ∑ ( x i−x )2
n−1
14
CHAPITRE VII :
LES TESTS
STATISTIQUES
I- ROLE DES TESTS D’HYPOTHESES
Un test d'hypothèses a pour but de trancher, au vu d'observations, entre une hypothèse nulle H0, et une
hypothèse alternative H1
Méthodes de tests d’hypothèses : permettent de confirmer ou d’infirmer, des hypothèses faites sur ces
lois (ex : décider si, au vu de l’échantillon, l’affirmation « E(Y)=1500 euros » est plausible.)
II- DIFFERENCE ENTRE UN TEST PARAMETRIQUE ET UN TEST NON

PARAMETRIQUE
Un test non paramétrique teste une propriété (indépendance ou pas, homogénéité ou pas). Un test
paramétrique consiste à vérifier si une caractéristique d'une population, que l'on notera θ , satisfait
une hypothèse que l'on pose a priori, appelée hypothèse nulle H 0.
III- DEFINITION ET TYPOLOGIE DES ERREURS QUI PEUVENT SURVENIR DANS UN

TEST D’HYPOTHESE
 Erreur de première espèce (ou erreur de type I), notéeα , qui est la probabilité de rejeter l’hypothèse
nulle ( H 0 ) alors qu’elle est vraie.
 Erreur de deuxième espèce(ou erreur de type II), notée β , qui est la probabilité d’accepter l’hypothèse
nulle ( H 0 ) alors qu’elle est fausse.
15
IV- SEUIL DE SIGNIFICATION D’UN TEST
Le seuil de signification correspond à l’erreur de première espèce (α ¿ qui est la probabilité de rejeter
l’hypothèse nulle ( H 0 ) alors qu’elle est vraie.
V- PUISSANCE D’UN TEST
On appelle puissance d’un test P la probabilité de rejeter l’hypothèse nulle, face à une hypothèse
alternative, alors qu’elle est fausse.
VI- STATISTIQUE D’UN TESTσ CONNU
X−μ 0
t=
σ
√n
VII- STATISTIQUE D’UN TESTσ INCONNU
X−μ 0
t=
s
√n
16
CHAPITRE VIII :
LE TABLEAU ANOVA
I- HYPOTHESE DE L’ANALYSE DE LA VARIANCE
L’utilisation de l’analyse de la variance repose sur trois hypothèses.
1- Pour chaque population, la variable de réponse est normalement distribuée.
2- La variance de la variable de réponse, notéeσ 2, est la même pour toutes les populations.
3- Les observations doivent être indépendantes.
Si les échantillons sont de taille égale, l’analyse de la variance reste valable lorsque l’hypothèse de
normalité des distributions des populations n’est pas respectée.
I- TEST D’EGALITE DES MOYENNES DE K POPULATION
 Hypothèses :
{
H 0 :μ 1=μ2=…=μk (hypothèse nulle)
'
H 1 :il n ya pas égalité entre les moyennes de toutes les populations .
(hypothèse alternative)
 Statistique du test :
CMT carré moyendu aux traitements
F= =
CME carré moyen du aux erreurs
SCT
CMT =
k−1
k
SCT =∑ ni ( X i− X́ )
2
i=1
SCE
CME=
n T −k
k
SCE=∑ ( n i−1 ) s i2
i=1
 Règle de décision :
Approche par la p valeurs : on rejette H 0si la p valeur ≤ α
Approche par la valeur critique :on rejette H 0si F ≥ F α
Ou la valeur de F α est basée sur la distribution de Fischer avec k −1 degrés de liberté au numérateur et
nT −k degrés de liberté au dénominateur.
II- LE TABLEAU ANOVA

Source de Somme des Degrés de Carré moyen F Valeur
variatio carrés liberté p
n
Traitement SCT k-1 SCT CMT
CMT = F=
k−1 CME
17
Erreur SCE nT −k SCE

CME=
n T −k
Total SCtot nT −1
k nj
SC tot=SCT + SCE=∑ ∑ ( X ij − X́ )
2
j i
PREPARATION POUR L’EXAMEN DE FIN

DE SEMESTRE
QUESTIONS DE REVISION
1- Donner la différence entre un arrangement, une combinaison et une permutation
Un arrangement est une disposition ordonnée de p éléments choisit dans un ensemble n.

Une combinaison est une disposition non ordonnée de p éléments choisit dans un ensemble
n. Alors qu’Une permutation est une disposition ordonnée de n éléments ensemble.
La probabilité empirique (ou expérimentale) est établie par une observation ou une
déduction expérimentale. Alors que
La probabilité théorique est établie de façon spéculative (d’une façon qui n’a rien de réel).
2- Quelle est la différence entre une probabilité théorique et une probabilité expérimentale ?
3- Quelle est la différence entre les événements indépendants et les évènements incompatibles
Deux événements A et B sont dits indépendants en probabilité, ou, simplement, indépendants, s'ils vérifient la
relation :
P ( A ∩ B )=P ( A ) × P (B)
Il convient de ne pas confondre indépendance et incompatibilité.
L'indépendance est une question de probabilité : si on change la probabilité, deux événements précédemment
indépendants peuvent ne plus être indépendants.
L'incompatibilité ne fait pas intervenir la probabilité : une intersection vide reste vide quelque soit la probabilité.
4- définir système de n évènements complets
Dans un espace probabilisé (Ω, A, P), on appelle système complet d'événements toute partition finie de Ω par des
éléments de A.
5- n évènements mutuellement indépendants
Nous dirons que les trois événements A, B, C sont indépendants dans leur ensemble si, et seulement si, les quatre
relations suivantes sont vérifiées :
P( A ∩ B ∩C)=P( A) P(B) P(C)
P( A ∩ B)=P( A) P (B)
P( B ∩C)=P( B) P( C)
P(C ∩ A)=P(C)P (A )
Plus généralement, nous dirons que n événements (Ai) i Є {1, ..., n} sont indépendants dans leur ensemble
18
si, et seulement si, pour toute partie I de l'ensemble {1, ..., n}, la relation suivante est vérifiée : P(∩ A i)=P( Ai)
6- Donner la différence entre une statistique et un paramètre
Un paramètre est une mesure ou une caractéristique utilisée pour décrire la population totale, alors qu’une statistique est
utilisée pour estimer un paramètre ou bien une caractéristique de la population totale.
7- Définir inférence statistique
L’inférence statistique est l’ensemble des méthodes permettant de tirer des conclusions sur une population déterminée à
partir des données provenant d’un échantillon choisi dans cette population.
8-Définir échantillonnage et citer les méthodes d’échantillonnage.
 Théorie de l’échantillonnage = Etude des liaisons existant entre une population et les échantillons de cette population,
prélevés par sondage.
 Les méthodes d’échantillonnages sont :

Les méthodes empiriques (Echantillonnage sur la base du jugement, Echantillonnage par la méthode des quotas,)
Les méthodes aléatoires (Echantillonnage aléatoire simple, Echantillonnage aléatoire stratifié, Echantillonnage par
grappe)
9- Quelle est la différence entre un échantillon et une population ?
Une population est l’ensemble des valeurs de l’ensemble d’étude. Alors qu’un échantillon est un sous-ensemble d’une
population.
10- Quelle est la différence entre un estimateur et une estimation ?
L'objectif de l'estimation statistique est le suivant : évaluer certaines grandeurs associées à une population à partir
d'observations faites sur un échantillon. Bien souvent, ces grandeurs sont des moyennes ou des variances. On prendra soin
de distinguer ces grandeurs théoriques (inconnues et à estimer) de celles observées sur un échantillon.
Un estimateur permet de calculer une valeur sur un échantillon qui devrait être proche du paramètre sans pour autant
savoir si cette valeur est totalement fiable.
11- Donner la différence entre une estimation ponctuelle et une estimation par intervalle de confiance.
Estimation ponctuelle : On cherche à estimer une valeur inconnue liée à un certain phénomène aléatoire, en
général, la moyenne ou la variance ou encore l'écart-type de la loi du phénomène.
Estimation par Intervalles de confiance : c'est un intervalle dans lequel se trouve θ avec une probabilité grande 1-α
(où α est un risque qu'on se fixe, en général, petit). On peut en théorie choisir 1-α aussi proche de 1 que l'on
veut, mais alors l'intervalle de confiance grandit et devient imprécis. Il s'agit donc d'un compromis entre
précision (intervalle peu étendu) et sureté (α petit).
12- Quel est le rôle des tests d’hypothèses
Un test d'hypothèses a pour but de trancher, au vu d'observations, entre une hypothèse nulle H0, et une hypothèse
alternative H1
Méthodes de tests d’hypothèses : permettent de confirmer ou d’infirmer, des hypothèses faites sur ces lois (ex :
décider si, au vu de l’échantillon, l’affirmation « E(Y)=1500 euros » est plausible.)
13- différence entre un test paramétrique et un test non paramétrique.
Un test non paramétrique teste une propriété (indépendance ou pas, homogénéité ou pas). Un test paramétrique
consiste à vérifier si une caractéristique d'une population, que l'on notera θ , satisfait une hypothèse que l'on pose a
priori, appelée hypothèse nulle H 0.
14- définition et typologie des erreurs qui peuvent survenir dans un test d’hypothèse
 Erreur de première espèce (ou erreur de type I), notéeα , qui est la probabilité de rejeter l’hypothèse nulle ( H 0 )
alors qu’elle est vraie.
 Erreur de deuxième espèce (ou erreur de type II), notée β , qui est la probabilité d’accepter l’hypothèse nulle
( H 0 ) alors qu’elle est fausse.
15- Seuil de signification d’un test
19
Le seuil de signification correspond à l’erreur de première espèce ( α ¿ qui est la probabilité de rejeter l’hypothèse
nulle ( H 0 ) alors qu’elle est vraie.
16- Puissance d’un test
On appelle puissance d’un test P la probabilité de rejeter l’hypothèse nulle, face à une hypothèse alternative, alors
qu’elle est fausse.
17- énoncer le théorème central-limit
La loi de probabilité de la somme centrée-réduite ainsi que la moyenne centrée-réduite de n variables aléatoires
indépendantes et de mêmes lois de probabilité tend vers une loi normale lorsque n est suffisamment grand.
18- soit à compléter le tableau suivant à partir des informations sur la description et la formulation des hypothèses
pour la moyenne µ d’une population. Où σ est inconnue à partir d’un n échantillon.
Typologie du test Test unilatéral inférieur Test unilatéral supérieur Test bilatéral
{ { {
Formulation H 0 : μ ≥ μ0 H 0 : μ ≤ μ0 H 0 : μ=μ0
H 1 : μ< μ0 H 1 : μ> μ0 H 1 : μ ≠ μ0
Formule de la statistique X−μ 0 X−μ 0 X−μ 0
du test t= t= t=
s s s
√n √n √n
Règle de décision à partir Rejet H 0 si la Rejet H 0 si la Rejet H 0 si la
de la p value pour p value ≤ α p value ≤ α p value ≤ α
un seuil α
19- Même question si où σ est connue
Typologie du test Test unilatéral inférieur Test unilatéral supérieur Test bilatéral
{ { {
Formulation H 0 : μ ≥ μ0 H 0 : μ ≤ μ0 H 0 : μ=μ0
H 1 : μ< μ0 H 1 : μ> μ0 H 1 : μ ≠ μ0
Formule de la statistique du test X−μ 0 X−μ 0 X−μ 0
t= t= t=
σ σ σ
√n √n √n
Règle de décision à partir de la p Rejet H 0 si la p value ≤ α Rejet H 0 si la p value ≤ α Rejet H 0 si la p value ≤ α
value pour un seuil α
CORRECTION TD NO 1 STATISTIQUE
EXERCICE 1
Soit à dire dans chacun des cas si la fonction f définit une densité de probabilité :
3
f ( x )= si x ∈¿ f ( x )=0 sinon
1) x4 ;
La fonction f est continue et strictement positive sur ¿ en tant que fraction rationnelle définie sur [ 1; +∞ ] .de plus,
[ ] [ ]
x x x x
3 −1 −1 −1
pour tout réel x >1 ,∫ f (t) dt=∫ 4
dt=3 3
= 3 = 3 +1
1 1 t 3t 1 t 1 x
x
−1
Ainsi, lim
x⟶ +∞
∫ f (t) dt= lim 3 +1=1
x ⟶+ ∞ x
1
20
La fonction f définie donc une densité de probabilité .

−x
2) f ( x )=x e si x ∈ ¿ ; f ( x )=0 sinon
La fonction f est continue et strictement positive sur ¿ en tant que composée et produit de fonctions qui le sont. Pour tout
réel
x x
−t x
x >0 ,∫ f (t )dt =∫ t e dt=[ −e ] =−e−x + 1
−t
0
0 0
x
lim −x=−∞
∫ {
−x −x
lim
Ainsi, x⟶ +∞ f (t)dt = lim −e +1=1car x⟶ +∞ lim e =0
u
0 x ⟶+ ∞
lim e =0 x ⟶+∞
x ⟶−∞
La fonction f définie donc une densité de probabilité .
Autres méthodes :

x
lim f (x)=¿ lim x e−x =¿ lim x
Forme Indéterminée . ¿ ¿
x⟶ +∞ x ⟶+∞ x ⟶+∞ e
On lève l’indétermination avec la méthode de l’Hospital. En dérivant le numérateur et le dénominateur :
1
lim f (x)=¿ lim =0 ¿
x⟶ +∞ x ⟶+∞ ex
+∞
∫ f ( x ) dx =1
0
 Utilisation de la fonction Gamma
+∞ +∞
∫ f ( x ) dx =¿ ∫ x e− x dx ¿
0 0
Or
+∞
Γ ( t )=∫ x t −1 e− x dx
0
+∞ +∞
Γ ( 2 ) =∫ x e dx=∫ x e dx
2−1 −x −x
0 0
Γ ( n ) =( n−1 ) !
Γ ( 2 )=( 2−1 ) !=1 !=1

+∞ +∞
∫ f ( x ) dx =¿ ∫ x e− x dx =Γ ( 2 )=1 ¿
0 0
EXERCICE 2
1) f λ est continue sur [ 1;10 ] en tant que produit de fonction qui le sont. De plus f λ sera une densité de probabilité si pour
tout t ∈ [ 1 ; 10 ] , f λ ≥ 0 ⟺ λ t ≥ 0 ⟺ λ ≥ 0.
−2
21
10
Enfin, il est nécessaire que :∫ f λ (t)dt=1 , soit :
1
[ ]
10 10 10 10
1 −1
∫ f λ (t) dt =1 ⟺ :∫ λ t dt=1 ⟺ λ ∫
−2
t 2
dt=1 ⟺ λ
t
=1
1 1 1 1
⟺λ ( −110 +1)=1 ⟺ λ ( 109 )=1 ⟹ λ= 109

10
Conclusion: f λ est une densité de probabilité si et seulement si λ=
9
2) f λ est continue sur [ 1; +∞ ] en tant que produit de fonction qui le sont. De plus f λ sera une densité de probabilité si pour
tout t ∈ [ 1 ;+ ∞ ] , f λ ≥ 0 ⟺ λ t −2 ≥ 0 ⟺ λ ≥ 0.
+∞
Enfin, il est nécessaire que :∫ f λ (t )dt=1 , soit :
1
[ ]
+∞ +∞ +∞ +∞
1 −1
∫ f λ (t ) dt=1 ⟺ ∫ λ t −2
dt=1 ⟺ λ ∫
t
2
dt=1⟺ λ
t
=1
1 1 1 1
⟺λ ( −1
+∞ )
+1 =1 ⟺ λ ( 0+1 )=1 ⟺ λ ( 1 )=1 ⟹ λ=1
Conclusion: f λ est une densité de probabilité si et seulement si λ=1
EXERCICE 3
1 1
Notons p la loi de probabilité définie par la loi uniforme sur l’intervalle [ 0 ; 4 ] . f ( x )= = On a alors :
4−0 4
1) La probabilité d’avoir un nombre compris entre 0,5 et 0,7 est :
0,7−0.5 0,2
P ( 0,5 ≤T >0,7 ) = = =0,05
4−0 4
2) La probabilité d’avoir le nombre π
π−π 0
P (π ≤ T >π )= = =0
4−0 4
EXERCICE 4
1) a) l’égalité P ( T ≤70 )=0,05 se traduit par :
70
∫ λ e−λx dx=0,05 ⟺ [−e− λx ]700 =0,05 ⟺1−e−70 λ =0,05

0
−ln ( 0,95 )
⟺ e−70 λ =0,95 ⟺−70 λ=ln ( 0,95 ) ⟹ λ=
70
2) On calcule :
30
P ( T >30 )=1−P ( T ≤ 30 )=1−∫ λ e−λx dx
0
22
¿ 1−[−e−λx ]0 =1−[ −e−30× λ −(−e−0 × λ ) ] =1+e−30 λ −1=e−30 λ

30
−ln ( 0,95 )
En utilisant la valeur λ= , on obtient
70
ln ( 0,95 ) 3 ln ( 0,95 )
−30 ×−
P ( T >30 )=e 70
=e 7
≈ 0,978 à 0,001 près .
EXERCICE 5
Notons T la variable aléatoire mesurant le temps, mesuré en heure, nécessaire pour réparer une certaine machine. Puisque
1
T suit une loi exponentielle de paramètre λ= , on a :
2
1) La probabilité que le temps de réparation excède deux heures est égale à :
2 −1
1 2x
P ( T ≥ 2 )=1−P ( T ≤ 2 )=1−∫ e dx
0 2
[ ] =1−{−e )}=1+e
−1 2
−(−e
−1 −1
2
x
2
×2
2
×0
−1 1
¿ 1− −e 0 −1= =0,34
e
2) La probabilité qu’une réparation prenne au moins dix heures, étant donné que sa durée a déjà dépassé neuf heures
est égale à :
T >10 P [( T >10 ) ∩ ( T > 9 ) ] P ( T > 10 )
P ( T>9
= ) ( T >9 )
=
P ( T > 9)
car X >10 ⟹ X > 9
Ainsi,
10 −1
1 x
1−∫ e 2
dx −1
×10
−10
P ( T >10 ) 0 2
2 2
1+e −1 e
= 9
= −1
= −9
P ( T >9 ) 1
−1
x ×9
1−∫ e
2 2
2
dx 1+e −1 e
0
2
−10 −9
2
−
2 ( ) −1
2
¿e =e =0,6065
EXERCICE 6
Une population est constituée des nombres 2, 3, 6, 8 et 11. On construit à partir de cette population des échantillons de
taille 2 qui peuvent être tirés de façon exhaustive ou non exhaustive.
1- Nombre d’échantillon distincts que l’on peut former
 CAS EXHAUSTIF
Soit T le nombre d’échantillons de taille 2
N=5 et n=2
N!
T=
n ! ( N−n ) !
5! 5 × 4 × 3! 20
T= = = =10 échantillons distincts
2! ( 5−2 ) ! 2! 3 ! 2
2 3 6 8 11
2 2.2 2.3 2.6 2.8 2.11
3 3.2 3.3 3.6 3.8 3.11
6 6.6 6.3 6.6 6.8 6.11
8 8.2 8.3 8.6 8.8 8.11
11 11.2 11.3 11.6 11.8 11.11
23
2- Moyenne et écart-type de la population
μ=
∑ X i = 2+3+6 +8+11 = 30 =6
n 5 5
√ ∑ X i2 − X 2=
√
2 2 2 2 2
2 +3 + 6 + 8 +11
−6 = √ 10,8=3,29
2
σ=
n 5
3- Moyenne et écart-type de la distribution d’échantillonnage des moyennes

Formellement, avec étant la moyenne de la population
2 3 6 8 11
2 2.2 2.3 2.6 2.8 2.11
3 3.2 3.3 3.6 3.8 3.11
6 6.6 6.3 6.6 6.8 6.11
8 8.2 8.3 8.6 8.8 8.11
11 11.2 11.3 11.6 11.8 11.11
Echantillon Moyenne de Variance de Ecart-type de

Exhaustif l’échantillon l’échantillon l’échantillon
2-3 2,5 0,25
2-6 4 4
2-8 5 9
2-11 6,5 20,55
3-6 4,5 2,25
3-8 5,5 6,25
3-11 7 16
6-8 7 1
6-11 8,5 6,25
8-11 9,5 2,25
total 60 67,75
60
x= =6=μ
10
Variance des échantillons :
( μ−x )2
2
σ =
10
2 2
( 2,5−6 ) + ( 4−6 ) +…+ ( 9,5−6 )2
σ 2= =4,05
10
σ =√ 4,05=2,01
4- Pour chaque cas on a :
Xσ 2 =
∑ 2
σ 67,75
= =6,775
10 10
La variance de
2 ∑ ( μi −X σ )2 2
σ μ=
10
2 ( 0,25−6,775 ) + ( 4−6,775 )2 +…+ ( 1−6,775 )2
2
σ μ= =39,6775
10
σ μ= √ 39,6775=6,2980
24
 CAS NON EXHAUSTIF
Soit la variance de la population ; est la taille de l’échantillon et la taille de la population

Le nombre d’échantillon est : N n=5 2=25
μ x=
∑ ni x i = 150
N 25
V x = ∑ ni ¿ ¿ ¿
σ
σ x =√ 5,4=2,32→ σ x =
√n
5- Moyenne et écart-type de la distribution d’échantillonnage des variances
EXERCICE 7
Soit X une variable aléatoire de loi normale d’espérance m inconnue et de variance σ 2=4.on dispose de l’échantillon
suivant tiré de X :-
-1,2 ; 1,7 ; 1,3 ; 1,5 ; 2,0 ; -1,5 ; 1,6 ; -2,1 ; 1,3 ; 3,3.
1) moyenne et variance de l’échantillon :
−1,2+1,7+1,3+1,5+2,0+−1,5+1,6+−2,1+1,3+3,3
x= =0,79
10
2 (−1,2−0,79 )2 + ( 1,7−0,79 )2+ …+ ( 3,3−0,79 )2

σ = =0,79
10
On propose deux estimateurs de m :
m
^ 1=x (La moyenne de l’échantillon) et m
^ 2=x 1(la première observation). Soit à montrer que m
^ 1 et m
^ 2 sont des
estimateurs non biaisés de m.
^ 1=x=
m
∑ xi
n
^ ¿¿ 1)=E ( x )=E
E( m (∑ ) n
xi
=
1
n
∑ 1
n
1
E ( x i )=¿ ∑ m= n ×m=m¿ ¿
n
m ^ ¿¿ 2)=E ( x1 ) =m¿
^ 2=x 1 ⇒ E ( m
Donc m^ 1 et m
^ 2 sont des estimateurs non biaisés de m
3) Variance de ces deux estimateurs :
^ 1 )=V ( x )=V
V (m ( ) (
∑ xi
n
=V
1
n
∑ )
1
n
1
n
1
n
2 1
n
2 σ2 4
x i = 2 V ( ∑ xi ) = 2 ∑ V ( x i )= 2 ∑ σ =¿ 2 × n× σ = = =0,4 ¿
n 10
V (m
^ 2 )=V ( x 1 )=0
4) Oui on peut conclure quel estimateur est meilleur :m

^ 2 est meilleur que m
^ 1 parce que sa variance tend vers 0 que
V (m
^ 1 ) ¿ 0,4
5) Supposons que m=1. Calculons P( X > 0)
X → N ( m inconnu ) σ 2=4
25
P ( X >0 )=1−P ( X ≤ 0 )=1−P T ≤ ( 0−1

2 )
=1−π (−0,5 )
π (−0,5 )=1−π ( 0,5 )
P ( X >0 )=1−[ 1−π ( 0,5 ) ] 1−1+ π ( 0,5 )=π ( 0,5 )=0,6915
EXERCICE 8
Soit ( X 1 , X 2 , … , X n+1 ) une suite de variable de Bernoulli de même paramètre p, deux à deux indépendantes. On introduit
¿
pout tout entier naturel non nul n ∈ N les variables aléatoires :
X n+ X n+1
Y n=
2
Y 1+Y 2+ …+Y n
et T n=
n
1) Déterminons la loi de Y n : x → B ( p ) ; P(X =0)=q=1−p ; P ( X =1 )= p
x 0 1 T
P ( X=x ) q p 1
E ( X n )= p et E ( X n )=q=1−p
X n+1 0 1
Xn
0 X n + X n+1 0+1
=0 =0,5
2 2
1 1+ 0 1+ 1
=0,5 =1
2 2
Les valeurs que peut prendre Y n sont : 0 ,

1
2
,1 { }
Donnons les distribution de probabilité de Y n : P(Y n = y)
X n+1 1-p p
Xn
0 0 0,5
1 0,5 1
P ( Y n=0 )=( 1−p )( 1− p )=¿
P ( Y n=0,5 )= p ( 1− p ) + p ( 1− p )=2 p ( 1− p )=2 pq
2
P ( Y n=1 ) = p . p=p
Yn 0 0,5 1 T
P(Y n = y) q
2
2 pq p
2 1
26
2 2 2 2 2
q + 2 pq+ p = ( q+ p ) =( 1−p + p ) =( 1 ) =1
2) Calculons l’espérance et la variance de T n.

Y 1+Y 2+ …+Y n
T n=
n
E ( T n )=E ( Y 1 +Y 2 +…+ Y n 1
n )
= [ E ( Y 1 )+ E ( Y 2 ) +…+ E ( Y n ) ]
n
1 1
E ( T n )= ( p+ p+ …+ p )= × n × p= p
n n
EXERCICE 9
Pour se rendre à son travail un employé peut prendre deux routes. Par la route No 1, il met 27 minutes en moyenne avec
un écart-type de 2,5 (2 minutes et 30 secondes). Par la route No 2 il met 29 minutes en moyenne avec un écart-type
de 1 minute. Dans les deux situations la durée des trajets suit une loi normale. L’employé choisit systématiquement
d’emprunter la route par laquelle la probabilité d’arriver à l’heure est la plus forte.
Quelle est la route qu’il choisira pour se rendre au travail ?

Il suffit de calculer les probabilités pour chaque route
On choisira la route qui aura la plus grande probabilité d’arrivé en x minutes.
Soit X =la durée du trajet
X ↝ N (m , σ )
2
P ( X ≤ x )=P T ≤
x−m
σ ( )
1) S’il dispose de 28 minutes ?
 Par la route No 1, il met 27 minutes en moyenne avec un écart-type de 2,5 :
P ( X ≤28 )=P T ≤ ( 28−27
2,5 )
=π ( 0,4 ) =0,6554
 Par la route No 2 il met 29 minutes en moyenne avec un écart-type de 1 minute :
P ( X ≤28 )=P T ≤ ( 28−29
1 )
=π (−1 )=1−π ( 1 )=1−0,8413=0,1587
Alors c’est la route no 1
2) S’il dispose de 32 minutes ?
 Par la route No 1, il met 27 minutes en moyenne avec un écart-type de 2,5 :
P ( X ≤32 ) =P T ≤ ( 32−27
2,5 )
=π ( 2 ) =0,9772
 Par la route No 2 il met 29 minutes en moyenne avec un écart-type de 1 minute :
P ( X ≤32 ) =P T ≤ ( 32−29
1 )
=π ( 3 ) =0,9986
Alors c’est la route no 2
27
CORRECTION TD NO 2 STATISTIQUE
EXERCICE 1
Deux étudiants Abena et Besse jouent aux dés en jetant alternativement une paire de dés. Le premier qui trouve un total de
7 est le gagnant. Calculer les probabilités des évènements suivants.
1) Obtenir le couple de chiffre gagnant.
2) Le premier à jouer gagne.
3) Le second à jouer gagne.
4) Si le jeu n'est pas limité quelle est la probabilité d'avoir une situation d'ex aequo.
Solution :
Toutes les possibilités avec deux dés
Besse 2 3 4 5 6
Abena
2 2-2 2-3 2-4 2-5 2-6
3 3-2 3-3 3-4 3-5 3-6
4 4-2 4-3 4-4 4-5 4-6
5 5-2 5-3 5-4 5-5 5-6
6 6-2 6-3 6-4 6-5 6-6
Le tableau à double-entrée montre les 36 = 6 x 6 possibilités
1) Obtenir le couple de chiffre gagnant.

6 1
P ( couple gagnant )= =
36 6
28
2) Le premier à jouer gagne.

1
( )
1 1 5 5
P ( ¿ 1er gagne ) = × 1− = × = =0,1389
6 6 6 6 36
3) Le second à jouer gagne.

P ( ¿ 2ème gagne )= 1−( 61 ) × 16 = 56 × 16 = 365 =0,1389
4) Si le jeu n'est pas limité quelle est la probabilité d'avoir une situation d'ex aequo.
1 1 1
P ( ex aequo )= × = =0,0278
6 6 36
EXERCICE 2
Une enquête auprès de 611 étudiants de SECO 2 sur les assiduités au cours, 281 déclarent n’y avoir jamais assisté.
1) Estimation ponctuelle de la proportion des étudiants assidus.
Une estimation ponctuelle de la proportion des étudiants assidus est donné par le nombre d’étudiants assidus
dans l’échantillon divisé par le nombre total d’étudiants enquêtés ( n=611 étudiants).
( 611−281 ) 330
p= = =0,54
611 611
2) Marge d’erreur au seuil de confiance 90 %
Soit E la Marge d’erreur souhaitée.
E=z α
2 √ p ( 1− p )
n
Valeurs de z α pour les seuils de confiance les plus fréquemment utilisés :

2
seuil de confiance α α zα
2 2
90% 0,10 0,05 1,664

95% 0,05 0,025 1.960
99% 0,01 0,005 2,576
E=1 ,664
√ 0,54 ( 1−0,54 )
611
=0,0336
3) Intervalle de confiance de cette proportion au seuil de significativité de 10%
I p= p ± z α
2 √ p (1− p )
n
I p= p ± E
29
I p=0,54 ± 0,0336
I p=[ 0,5064,0,5736 ]
4) Estimation du nombre moyen d’étudiants assidu et intervalle de confiance de la moyenne :
x= p
σ
I x =x ± z α
2 √n
5) Estimation de la variance de la proportion des étudiants assidus :
p ( 1− p ) 0,54 (1−0,54)
σ p2= = =4,07 ×10−4
n 611
6) Intervalle de confiance de cette variance au seuil de confiance de 95% :
2 σ
I σ =σ p ± z α
√n
2
p
2
EXERCICE
La probabilité pour qu’un étudiant de Seco 2 se retrouve au rattrapage est une variable aléatoire donc la fonction de
densité est :
−a−1
1 a
si 0≤ X ≤1 et a> 0
f ( x )= e
a
1) déterminer E(X) en fonction de a et évaluer cette probabilité pour a=3.
2) Donner la Fonction de répartition associée à cette variable aléatoire :
3) En posant Y =−lnX , donner la fonction de densité de Y :
4) Déduire la loi de Y et calculer son espérance mathématique :
Solution :
1) Soit à déterminer E(X) en fonction de a et évaluer cette probabilité pour a=3.
+∞
E ( X ) =∫ xf ( x ) dx
−∞
1 −a −1 −a−1 1
1 1
E ( X ) =∫ x e a
dx= e a
∫ xdx
0 a a 0
[ ] []
−a−1 1 −a−1 −a−1
1 x2 1 1 1
E ( X )= e a
= e a
= e a
a 2 0 a 2 2a
−3−1 −2
1 1
pour a=3, E ( X ) = e 3
= e 3
2 ×3 6
30
2) Fonction de répartition associée à cette variable aléatoire :
[( )]
x
x x −a −1 −a−1
1 1
F ( x )=∫ f ( t ) dt=∫ e a
dt = e a
t
0 0 a a 0
( )
−a−1
x
F ( x )= e a
a
3) En posant Y =−lnX , donnons la fonction de densité de Y
−Y =lnX ⟺ x =e−Y =e lnX ⟺ x=e−Y
1 −a−1
( )
−Y −a−1 −a−1 −a−1
e a eY e a
1 1 −Y
F ( y )= e = e a = Y × = e a
a a e a a
( ) (
'
)
−a−1 −a−1
1'
−Y 1 −a−1 −Y
f ( y ) =F ( y ) = e a
= −Y ' e a
a a a
−a−1
1 a
−Y
f ( y )= e
a
EXERCICE 4
La garantie en année d’un appareil a pour fonction densité : f ( X )= {

a e−0,5 x si X ≥0
0 sinon
1) Déterminer la valeur de a pour que f (X ) soit effectivement une densité de probabilité.
2) Donner la fonction de répartition associée cette variable aléatoire.
3) Evaluer la moyenne et l’écart-type de cette distribution.
4) Evaluer la probabilité pour que la garantie soit supérieure à 1 an.
5) Evaluer la probabilité pour que la garantie soit comprise entre -1,5 ans et 2 ans.
6) Déterminer la fonction génératrice des moments et retrouver les expressions de la moyenne et de la variance.
Solution :
1) Soit à Déterminer la valeur de a pour que f ( X ) soit effectivement une densité de probabilité.
f ( x) est une fonction densité de probabilité si et seulement si :
+∞ +∞ +∞
∫ f ( x ) dx=1 ⟺ ∫ a e −0,5 x
dx=1⟺ a ∫ e−0,5x dx=1
−∞ 0 0
[ ] [( )( )]
+∞
−1 −0,5x −1 − ∞ −1 0
⟺a e =1⟺ a e − e =1
0,5 0 0,5 0,5
1 1 0,5
⟺a =1⟹ a= =1 × =0,5
0,5 1 1
0,5
{
−0,5 x si X ≥ 0
a=0,5 f ( X )= 0,5 e
0 sinon
2) fonction de répartition associée cette variable aléatoire :

31
[ ]
x x x x
−1 −0,5 t
F ( X )=∫ f ( t ) dt=∫ 0,5 e −0,5t
dt=¿ 0,5∫ e −0,5 t
dt=¿ 0,5 e ¿¿
0 0 0 0,5 0
F ( X )=[−e ] =[ ( −e−0,5 x ) −(−e 0 ) ] =−e−0,5 x +1=1−e−0,5 x

−0,5 t x
0
F ( X )=1−e−0,5 x
3) Moyenne et l’écart-type de cette distribution :
f ¿ ) étant la fonction densité de probabilité d’une loi exponentielle de paramètre 0,5.
1 1 1
E ( X )= =2et V ( X )= 2 = =4 ⟹ σ =2
0,5 0,5 0,25
4) Probabilité pour que la garantie soit supérieure à 1 an :
P ( X >1 )=1−P ( X ≤ 1 )=1−F ( 1 )=1−( 1−e )

−0,5 × 1
−0,5 ×1 −0,5
P ( X >1 )=1−1+ e =e
5) Probabilité pour que la garantie soit comprise entre -1,5 ans et 2 ans :
P (−1,5< X <2 ) =F ( 2 )−F (−1,5 )
P (−1,5< X <2 ) =( 1−e )−( 1−e−0,5 ×−1,5 )=e 0,75−e−1

−0,5 × 2
6) Fonction génératrice des moments et retrouver les expressions de la moyenne et de la variance.
 Fonction génératrice des moments :

+∞
G X ( X )=∫ e f ( x ) dx
tx
−∞
+∞ +∞
G X ( X )=∫ e 0,5 e tx −0,5 x
dx=∫ 0,5 e tx−0,5 x dx
0 0
+∞ +∞
G X ( X )=∫ 0,5 e x(t −0,5) dx=0,5 ∫ e x(t −0,5) dx
0 0
[ ]
+∞ +∞
−1 − x(0,5−t )
G X ( X )=0,5 ∫ e
− x(0,5−t )
dx =0,5 e
0 0,5−t 0
G X ( t )=0,5 0− ( −1
=
0,5
0,5−t 0,5−t )
 Expressions de la moyenne et de la variance :
E ( X ) =G' X ( 0 ) et V ( X ) =E ( X 2 )− E ( X )
2
( )
'
0,5 0,5
G ' X ( t )= =
0,5−t ( 0,5−t )2
32
0,5
G ' X ( 0 )= =2
( 0,5−0 )2
E ( X ) =2
[ ]
2 ( 0,52−0,5t )
'
( )
''
0,5 0,5
G ' ' X ( t )= = =
0,5−t ( 0,5−t )2 ( 0,5−t )4
2 ( 0,5 −0,5 ×0 )
2
0,5
( 2
)
E X =G' ' X ( 0 ) = = =8
4
( 0,5−0 ) 0,0625
V ( X )=E ( X )−E ( X ) =8−2 =4

2 2 2
V ( X )=4
EXERCICE 5
{
a
X −b
F ( X ) = si X ≥ X 0
Soit la fonction de répartition d’une variable aléatoire suivante X
a
0 sinon
1) Si a et X 0 sont des réels positifs, déterminer la constante b .

2) Donner la fonction de densité de cette variable aléatoire.
3) Déterminer les moments d’ordre r de cette variable aléatoire.
4) Que se passe-t-il lorsque r =a
Solution :
1) Si a et X 0 sont des réels positifs, déterminons la constante b :
Xa b b 1
F X = a − a =1− a =1−b a =1−b X−a
( )
X X X X
'
f ( x )= [ F ( X ) ] =0−b ¿
f ( x )=ab X −a−1
f ( x ) est une densité de probabilité si et seulement si

+∞ +∞ +∞
∫ f ( x ) dx =1⟺ ∫ ab X −a −1
dx=1 ⟺ ab ∫ X
−a−1
dx=1
X0 X0 X0
[ ]
+∞
1
−
[ ]
−a−1+1 +∞ a
X X
⟺ ab =1 ⟺ ab =1
−a−1+1 X0 a X0
[ ]
+∞ a
−1 1 1 1 X0 a
⟺ ab =1 ⟺ ab =1⇒ b= = =1 × = X0
aX a X0 a X0 a
1a 1 1
a a
a X0 X0
33
a
b=X 0
2) Fonction de densité de cette variable aléatoire :

a −a−1
f ( x )=a X 0 X
3) Déterminer les moments d’ordre r de cette variable aléatoire :
+∞ +∞
μr =∫ x f ( x ) dx=∫ X a X 0 X
r r a −a−1
dx
x0 x0
[ ]
+∞ +∞
X r−a
μr =a X 0
a
∫X r−a −1
dx=a X 0
a
r−a
x0 X0
a X 0r −a a X 0r
μr =a X 0 =
r−a r−a
4) Que se passe-t-il lorsque r =a
lorsque r =a
a
a X0
μa = =∞
a−a
Lorsque r =a les moments sont infinis.
EXERCICE 6
Une loterie distribue 200 lots de 250 FCFA, 20 lots de 1250 FCFA et 5 lots de 5000 FCFA. En supposant que 10 000
billets ont été émis et vendus.
1) Quel est le prix minimum du billet pour que l’organisation soit financièrement équilibrée ?
2) Dans quel Intervalle de confiance du prix du billet pour que le risque soit minimal ?
3) Déterminer les coefficients d’asymétrie, d’aplatissement et de variation.
Solution :
1- Prix minimum du billet pour que l’organisation soit financièrement équilibrée
Soit X la variable aléatoire définissant≤montant gagné par ≤billet
X est une variable aléatoire discrète
La distribution de probabilité de X est :
Valeur de X P(X =x) X . P(X =x)

0 0,9775 0 × 0,9775=0
250 0,02 250 ×0,02=5
1250 0,002 1250 ×0,002=2,5
5000 0,0005 5000 ×0,0005=2,5
Total 1 E ( X ) =10
A partir de cette distribution, on trouve le prix minimum du billet qui est l’espérance mathématique de X
E ( X ) =∑ x P( X=x)=10 FCFA
2- Intervalle de confiance du prix du billet pour que le risque soit minimal.
I =[ E ( X ) −σ , E ( X ) +σ ]
σ 2=E ( X 2 ) −E( X )2
Valeur de X P(X =x) X
2 2
X P( X =x)
0 0,9775 0 0
34
250 0,02 62 500 1250

1250 0,002 1 562 500 3125
5000 0,0005 25 000 000 12 500
Total 1 E ( X 2) =16 875
σ =E ( X ) −E(X ) =16 875−(10) =16 775
2 2 2 2
D’où σ =√ 16 775
I =[ 10−129,52,10+129,52 ]= [−119,52 , 139,52 ]
3- Soit à déterminer les coefficients d’asymétrie, d’aplatissement et de variation.
 Coefficient d’asymétrie :
E ( X 3 ) −E( X )3
μ3
γ 1= 3 = 3
=30,707
σ σ
 Coefficient d’aplatissement :
μ4 E ( X )−E ( X )
4 4
γ 2= 4 −3= −3=1128,58
σ σ4
 Coefficient de variation :
σ 129,52
CV = = =12,952
E(X) 10
EXERCICE 7
La distribution des salaires dans un établissement suit une loi normale de moyenne 46 500 FCFA et d’écart type
5 000.
1) Quelle est la Probabilité qu’un employé atteigne un salaire inférieure ou égal à 50 000 FCFA P (X ≤ 50 000) ?
2) Quel est le pourcentage des employées pouvant atteindre un salaire compris entre 46 500 et 56 500 ?
3) Pourcentage des employées ayant salaire supérieur à 50 000 FCFA P(X ≥ 50 000)
4) Salaire garantie pour qu’au plus 10% des employés n’aient pas le salaire garantie.
5) Donner un intervalle de confiance du salaire moyen au seuil de significativité de 5%.
6) Donner un intervalle de confiance de la variance au même seuil.
Solution :
Lorsqu’on a une distribution normale de moyenne μ et d’écart-typeσ , on commence par convertir en distribution
normale centrée-réduite, pour répondre aux questions en matière de probabilités. Ensuite, on peut utiliser la
table des probabilités normale centrées réduites et les valeurs appropriées de T pour trouver les probabilités
souhaitées.
Conversion en distribution normale centrée réduite :
X−μ
T=
σ
1) Probabilité qu’un employé atteigne un salaire inférieure ou égal à 50 000 FCFA P ( X ≤50 000 )
X =distribution des salaires dans un établissement
Posons :
X−μ X −46 500
T= =
σ 5 000
X−46 500
T=
5 000
Exprimons X en fonction de T :
5 000 T =X −46 500
X =5 000 T +46 500
35
Ainsi
P ( X ≤50 000 ) =P ( 5 000 T + 46 500 ≤50 000 )
P ( X ≤50 000 ) =P ( 5 000 ≤ 50 000−46 500 )
P ( X ≤ 40 000 )=P T ≤ (
50 000−46 500
5 000 )
Ce qui donne
P ( X ≤50 000 ) =π ( 0,7 )=0,7580
Après lecture de la table on trouve :
2) Pourcentage des employées pouvant atteindre un salaire compris entre 46 500 et 56 500
P ( 36 500≤ X ≤ 46 500 )=P ( 46 500−46
5 000
500
≤T ≤
56 500−46 500
5 000 )
P ( 46 500 ≤ X ≤ 56 500 )=P (0 ≤T ≤2)
P ( 46 500 ≤ X ≤ 56 500 )=π ( 2 )−π ( 0)
P ( 46 500 ≤ X ≤ 56 500 )=0,9772−0,5000
P ( 46 500 ≤ X ≤ 56 500 )=0,4772
3) Pourcentage des employées ayant salaire supérieur à 50 000 FCFA P ( X ≥50 000 )
P ( X ≥50 000 ) =1−P ( X <50 000 )
P ( X ≥50 000 ) =1−π (0,7)
P ( X ≥50 000 ) =1−0,7580
P ( X ≥50 000 ) =0,2420

4) Salaire garantie pour qu’au plus 10% des employés n’aient pas le salaire garantie.
1−P ( X ≤ x¿¿ 0,1 )
1−P T ≤ (
x−36 500
25 000
=0,1 )
P T≤(x−46 500
5 000
=1−0,1 )
P T≤ (
x−46 500
5 000
=0,9 )
Trouvons la valeur de t correspondant à la probabilité 0,9
Comme 0.9 est la probabilité obtenue en faisant l’intersection entre la valeur colonne et la valeur ligne,
t=Valeur Colonne+ Valeur Ligne
Après lecture de la table de loi normale centrée-réduite, Valeur Colonne=1,2 et Valeur Ligne=0,08 car la valeur
de la probabilité cumulée la plus proche de 0,9 est 0,8997.
t 0,06 0,07 0,08 0,09
⋮
1,0 0,8554 0,8577 0,8599 0,8621
1,1 0,8770 0,8790 0,8810 0,8830
1,2 0,8962 0,8980 0,9015
0,8997
1,3 0,9131 0,9147 0,9162 0,9177
Valeur de la probabilité la plus proche de 0,9

t=1,2+0,08=1,28
On a :
(
P T≤
x−46 500
5 000 )
=P ( T ≤ 1,28 )
36
⟺π ( x−46
5 000 )
500
=π ( 1,28 )
x −46 500
⟺ =1,28
5 000
⟺ x−46500=5 000 ×1,28=6400
⟹ x=6400+ 46500=52900
donc Salaire garantie pour qu ’ au plus 10 %
des employés n ’ aient pas≤salaire garantie est 52900 FCFA
7) Donner un intervalle de confiance du salaire moyen au seuil de significativité de 5%.
[
I C = μ−z α
2
σ
√n
; μ+ z α
σ
2 √n
]
8) Donner un intervalle de confiance de la variance au même seuil.
[
I C = σ 2−z α
2
σ
√n
; σ 2+ z α
σ
2 √n
]
EXERCICE 8
Pour évaluer le nombre d’appel passé d’un poste fixe en une semaine entre 12h et 12h20 min, un responsable vous
révèle que le nombre moyen d’appels au cours d’un intervalle de temps de 20 min est de 10 et qu’il y-a
équiprobabilité d’arrivée entre deux intervalles de même longueur.
1) Donner la nature de cette variable aléatoire et caractériser sa loi de probabilité.
2) Calculer la probabilité que l’on ait cinq appels en 10 min.
3) Calculer le nombre d’appel en une minute et en 12 minutes.
4) Calculer les probabilités »s d’avoir un appel en une minute et en 12 minutes puis 10 appels dans le même temps.
Solution :
1) Nature de la variable aléatoire et loi de probabilité associée
'
X =nombre d appels passer en 20 minutes.
X suit une loi de poison de paramètre λ=10
−λ x
e λ
P ( X=x )=
x!
2) Probabilité que l’on ait 5 appels en 10 minutes
 On détermine d’abord le nombre moyen d’appels en 10 min en utilisant la règle de trois.
'
10 ⟼ nombre moyens d appelsen20 min
μ ⟼ nombre moyend ' appels en 10 min
10 ×10 100
μ= = =5
20 20
e− μ μ x
 P ( X=x )=
x!
e−5 55
P ( X=5 )= =0,175
5!
3) Nombre moyen d’appels en une minute et en 12 minutes.
'
'
μ' ⟼nombre moyen d appels en 1min
' 10 ×1
μ= =0,5
20
'
'
μ ' ' ⟼ nombre moyen d appels en 12 min
37
' 10 ×12
μ' = =6
20
4) Probabilité d’avoir un appel en une minute et en 12 minutes puis 10 appels dans les mêmes cas.
 Probabilité d’avoir un appel en une minute
−μ' x
μ' e
P ( X=x )=
x!
e 0,5 1
−0,5
( )
P X=1 = =0,303
1!
 Probabilité d’avoir un appel en 12 minutes

e− μ ' ' μ ' ' x
P ( X=x )=
x!
−6 12
e 6
P ( X=12 ) = =0,0112
12!
 Probabilité d’avoir 10 appels en une minute

−0,5
e 0,510
P ( X=10 )= =1,63 × 10−10
10 !
 Probabilité d’avoir 10 appels en 12 minutes
e−6 612
P ( X=12 ) = =0,04
12!
EXERCICE 9
Supposons que les notes sur 100 en statistiques inférentielles de 3000 étudiants de SECO 2 sont normalement distribuées
de moyenne 68 et pour une variance de 9. On extrait 80 échantillons de 25 étudiants. En considérant qu’il s’agit d’un
échantillonnage exhaustif, il vous est demandé :
1) De déterminer la note moyenne espérée de cette distribution d’échantillonnage et de l’évaluer sur 20.
Si la population dans laquelle on extrait les échantillons est normalement distribuée avec une variance et une moyenne x
alors la moyenne de l’échantillon a une distribution normale de moyenne :
m=x=68
évaluation de lamoyenne sur 20
68 ⟶ 100 68 ×20
⟹ m= =13,6
m ⟶20 100
2) De déterminer la variance et l’écart-type de cette distribution d’échantillonnage.

alors la moyenne de l’échantillon a une distribution normale de variance

σ 2 N −n 9 3000−25
s2= = =0,3571
n N −1 25 3000−1
3) Dans combien d’échantillon peut-on s’attendre à trouver une note moyenne comprise entre 67 et 69 ?
38
4) Dans combien d’échantillon peut-on s’attendre à trouver une note moyenne comprise entre 67,5 et 68,75 ?
5) Dans combien d’échantillon peut-on s’attendre à trouver une note moyenne inférieure à 67,75
6) Construire un intervalle de confiance de cette moyenne pour un niveau de confiance de 95%.
La population suit une loi normale, donc on peut construire un intervalle de confiance avec un échantillon de
taille n = 25. L'_écart-type de la population est connue, donc on utilise la loi normale pour construire l'intervalle
de confiance. On a la formule suivante pour la Marge d'erreur :
ε =z α
2 √
σ N −n
√ n N −1
Avec α =0,05 , z α =1,960 donc ε=1,960 ×59,75=1,176 on obtient l’intervalle :
2
Moyenne : I c =m± ε =68 ±1,176

7) Construire un intervalle de confiance de la variance pour ce même niveau de confiance.
2
I c =s ± ε =0,36 ± 1,176
EXERCICE 10
Reprendre l’exercice précédent en supposant que l’échantillonnage est non exhaustif.
1) De déterminer la note moyenne espérée de cette distribution d’échantillonnage et de l’évaluer sur 20.
alors la moyenne de l’échantillon a une distribution normale de moyenne :
m=x=68
évaluation de lamoyenne sur 20
68 ⟶ 100 ⟹ m= 68 ×20 =13,6

m ⟶20 100
2) De déterminer la variance et l’écart-type de cette distribution d’échantillonnage.

alors la moyenne de l’échantillon a une distribution normale de variance

σ2 9
s2= = =0,36
n 25
3) Dans combien d’échantillon peut-on s’attendre à trouver une note moyenne comprise entre 67 et 69 ?
4) Dans combien d’échantillon peut-on s’attendre à trouver une note moyenne comprise entre 67,5 et 68,75 ?
5) Dans combien d’échantillon peut-on s’attendre à trouver une note moyenne inférieure à 67,75
6) Construire un intervalle de confiance de cette moyenne pour un niveau de confiance de 95%.
La population suit une loi normale, donc on peut construire un intervalle de confiance avec un échantillon de
taille n = 25. L'_écart-type de la population est connue, donc on utilise la loi normale pour construire l'intervalle
de confiance. On a la formule suivante pour la Marge d'erreur :
39
3
Avec α =0,05 , z α =1,960 donc ε=1,960 =1,176 on obtient l’intervalle :
2 √25
Moyenne : I c =m± ε =68 ±1,176
7) Construire un intervalle de confiance de la variance pour ce même niveau de confiance.
2
I c =s ± ε =0,36 ± 1,176
EXERCICE 11
Un industriel souhaite vérifier si la garantie associée à un appareil qu’il produit permettra de réduire le nombre de
retour des produits sous garantie. Un essai en laboratoire révèle que la loi suivie par la durée de vie est une
loi exponentielle de moyenne 4. Après avoir précisé la fonction de répartition de cette loi, déterminer la
probabilité que la durée de vie appartienne à l’intervalle [ E ( X ) −σ , E ( X ) +σ ], la durée nécessaire pour que
50% des produits fonctionnent sans défaillance et la durée de garantie optimum pour remplacer moins de
15% de ces produits ?
Solution :
1- Précision de la fonction de répartition de cette loi, son espérance mathématique et la variance.
Fonction de répartition F X ( x ) =1−e

−0,25 x
Fonction de densité f ( x )=0,25 e−0,25 x

Loi de probabilité 1
Loi exponentielle de paramètre =0,25
θ
Espérance mathématique E ( X ) =μ=θ=4
Variance 2 2
V ( X )=σ =θ =16
2- Probabilité que ce produit fonctionne sans défaillance plus de 4 ans

P ( X > 4 )=1−P ( X ≤ 4 )=1−( 1−e−0,25× 4 )
3- Probabilité que ce produit fonctionne sans défaillance 6 ans au moins sachant qu’il a déjà 5 ans de vie.
P ( )
X ≥ 6 P ( X ≥ 6 ) 1−e−0,25 ×6 1−e−1,5
= = =
X ≥ 5 P ( X ≥ 5 ) 1−e−0,25 ×5 1−e−1,25
4- Probabilité que la durée de vie appartienne à l’intervalle [ E ( X ) −σ , E ( X ) +σ ]:
[ E ( X ) −σ , E ( X ) +σ ] =[ 4−4 , 4+ 4 ] =[ 0 ,8 ]
P ( 0 ≤ X ≤ 8 ) =1−e−0,25 × 8−( 1−e−0,25× 0 )=1−e−2
5- Durée nécessaire pour que 50% des produits fonctionnent sans défaillance.
P ( X ≤ x )=0,5↔ ( 1−e−0,25 x )=0,5
↔ (−e ) =0,5−1
−0,25 x
↔−( e )=−0,5
−0,25 x
↔ ln ( e−0,25 x
) =ln (0,5)
↔−0,25 x=ln(0,5)
ln(0,5) −0,6931
→ x= = =2,8 Années
−0,25 −0,25
Donc il faut environs 2 ans9 mois et 18 jours pour que 50% des produits fonctionnent sans défaillance.
6- Durée de garantie optimum pour remplacer moins de 15% de ces produits.
P ( X ≤ x )=0,15↔ ( 1−e )=0,15
−0,25 x
↔ (−e ) =0,15−1=−0,85
−0,25 x
40
↔−( e )=−0,85
−0,25 x
ln ( e−0,25 x
)=ln (0,85)↔−0,25 x=ln (0,85)
ln(0,85) −0,1625
→ x= = =O, 65 année=7 mois et 24 jours
−0,25 −0,25
EXERCICE 1
Fiche de TD
Une urne contient 10 boules de deux couleurs différentes (rouge ou blanche). On tire une boule de l’urne et on la
remet. On répète l’expérience 1000 fois et on constate alors qu’on a tiré 450 fois la boule blanche. Après
avoir caractérisé la loi associée à cette expérience aléatoire, estimer le nombre de boules blanches dans
l’urne à l’aide de la méthode du maximum de vraisemblance.
Solution :
Estimation du nombre de boules blanche dans l’urne par la méthode du maximum de vraisemblance.
Soit n b≤nombre de boule blanche dans l’ urne et soit X la varible aléatoire égale au nombre de boules blanches obte
au cours de 1000 tirages avec remise .
Au cours du tirage deux issues sont possibles :
{
nb
soit on tire une boule blanche avec une probabilité p= ( succès)
10
nb
soit on tireune boule noir avec une probabilité q=1− (échec )
10
on a n=1000
nb
D’où X ↝une loi binomiale de paramètre n et p avec n=1000 et p= .
10
P ( X=x )=Cnx p x q n−x
nb
E ( X ) =np=1000× =100 n b
10
V ( X )=npq=100 n b 1− ( nb
10
2
)
=100 nb−
100 nb nb
2
10
V ( X )=100 n b−10 nb =10 nb−n b
E(X)
E ( X ) =100 nb ⟹ n b=
100
D’après l’énoncé, l’espérance donne 450
E( X) X
n b= ⟹ nb =
100 100
X
Un estimateur naturel sans biais de n b estn^b= avec X le nombre de boules blanches.
100
On a donc :
450
n^b= =4,5
100
Cette valeur n’étant pas entière, on a donc deux valeurs possibles :
n b=4 ou nb =5
Pour choisir entre les deux valeurs, on utilise la vraisemblance de l’échantillon en prenant la valeur de n bqui rend
maximum la fonction de vraisemblance.
41
La fonction de vraisemblance s’écrit :

L ( x , nb ) =∏ p q
x n− x
( ) (( ))
xi n−x i
nb n
L ( x , nb ) = ∏ 1− b
10 10
L ( x , n ) =∏ ( ) (( 1− ) )
450 1000−450
n n b b
b
10 10
( ) ( ) 4 450 550
4
L ( x , 4 ) =∏ 1−
10 10
L ( x , 5 ) =∏ ( ) ( )
5 450 550
5
1−
10 10
∏ ( ) (( ))
450 550
4 4
1−
L( x , 4) 10 10
=
∏ ( 10 ) (( 1− 10 ))
L (x , 5) 5 5
450 550
=( ) × ( )
L( x , 4) 4 6 450 550
L ( x , 5) 5 5
( L( x ,5 ) ) [ 5 5 ]
L ( x , 4)
=ln ( ) × ( )
450 550
4 6
ln
ln ( L ( x , 4)
L ( x ,5 ) )
=450 ln 4 +550 ln 6−1000 ln 5=−0,14
comme ln
(
L( x , 4 )
L ( x , 5) )
<1la vraisemblance n b=5est plus grande
On prend donc n b=5

EXERCICE 2
Soit θ un paramètre réel et X une variable aléatoire de fonction de densité d’une loi de probabilité définie pour tout
x réel par : f ( x ,θ )=e (−x−θ−e ) .On dispose d’un échantillon indépendant X 1 , X 2 , … , X n de X .
−x−θ
1) Vérifier que f ( x ,θ ) est une densité de probabilité.

2) Déterminer la loi de la variable aléatoire Y si on pose y=e−x .
3) Déterminer l’estimation du maximum de vraisemblance θ^ de θ .
Solution :
1) Vérifier que f ( x ,θ ) est une densité de probabilité.
+∞
Il suffit de vérifier que ∫ f ( x , θ ) dx=1
−∞
+∞ +∞
∫ f ( x , θ ) dx=¿ ∫ e(− x−θ −e )

−x−θ
dx ¿
−∞ −∞
On sait que :
a
e a−b a 1 a −b
e b
=
=e × b =e × e
e e
+∞ +∞ ( −x−θ ) +∞
e 1
∫ f ( x , θ ) dx=¿ ∫ e
−x−θ dx=¿ ∫ e
( −x−θ )
× e dx ¿¿ −x−θ
−∞ −∞ e −∞ e
+∞ +∞
∫ f ( x , θ ) dx=¿ ∫ e(− x−θ ) × e−e

−x−θ
dx ¿
−∞ −∞
42
+∞
+∞
∫ f ( x , θ ) dx=¿ [ e−e ]−∞ ¿
−x−θ
−∞
+∞
∫ f ( x , θ ) dx=¿ ( e−e ) −( e−e )¿

−(+ ∞)−θ −(−∞ )−θ
−∞
+∞
∫ f ( x , θ ) dx=¿ ( e−e )−( e−e ) ¿

−∞ +∞
−∞
+∞
∫ f ( x , θ ) dx=¿ ( e 0 )− ( e−∞ ) ¿
−∞
+∞
∫ f ( x , θ ) dx=¿ ( e 0 )− ( e−∞ ) ¿
−∞
+∞
∫ f ( x , θ ) dx=¿ 1−0 ¿
−∞
Donc f ( x ,θ ) est la fonction densité d’une loi de probabilité
2) Soit à Déterminer la loi de la variable aléatoire Y si on pose y=e−x
y=e−x
en linéarisant y on obtient :
−x
ln y=ln e ⟺ ln y=−x ⇒ x=−ln y
D’où
(− ( −ln y ) −θ−e− (−ln y )−θ)
f ( y , θ )=e
ln y−θ
f ( y , θ )=e ln y−θ−e
a
a−b e a 1 a −b
e = b =e × b =e × e
e e
ln y−θ
e ln y−θ 1 ln y−θ −e
ln y−θ
f ( y , θ )= e =e ln y−θ
e
=e ×e
ln y−θ
e e
− ( y−θ )
f ( y , θ )= y−θ ×e
3) Déterminer l’estimation du maximum de vraisemblance θ^ de θ .

La fonction de vraisemblance s’écrit :
n
L ( y , θ ) =∏ f ( y , θ )
i=1
n
L ( y , θ ) =∏ y −θ ×e− y−θ
( )
i=1
− ( y 1−θ) − ( y 2−θ) −( y n−θ )
L ( y , θ ) = y 1−θ ×e × y 2−θ × e ×… × y n−θ × e
n
− ∑ ( y i −θ)
L ( y , θ ) = y 1−θ × y 2−θ × … × y n−θ × e i=1
n
− ∑ ( y i −θ)
n
L ( y , θ ) =( y i−θ ) × e i=1
[ ]
n
− ∑ ( y i −θ )
ln [ L ( y , θ ) ] =ln ( y i−θ ) × e n i=1
n
−∑ ( y i −θ )
ln [ L ( y , θ ) ] =n ln ( y i−θ ) + ln . e i=1
43
n
ln [ L ( y , θ ) ] =n ln ( y−θ ) −∑ ( y i−θ )
i=1
n
ln ( y )
ln [ L ( y , θ ) ] =n−∑ y −n θ
ln. θ i=1 i
∂ ln [ L ( y ,θ ) ]
=0
∂θ
ln ( y ) ^ n 1
⟺n −n=0 ⟺ θln ( y ) n=n⟹ θ= =
1 ln ( y ) n ln ( y )
θ
EXERCICE 3
Soit X une variable aléatoire de densité suivante :
1
f X ( x )= × e−x pour x>0 et soit Y une autre variable aléatoire. On suppose que la loi conditionnelle de Y
√ πx
2 1
sachant X est une loi normale de paramètrem=0 et σ = .
2X
1- Soit à vérifier que f X ( x )est la fonction densité d’une loi de probabilité.
+∞
Il suffit de vérifier que ∫ f X ( x ) dx=1
0
+∞ +∞ +∞
∫ f X ( x ) dx=¿ ∫ √1πx × e−x dx=∫ √1π √1x × e−x dx ¿

0 0 0
+∞ +∞ +∞
∫ f X ( x ) dx=¿ √1π ∫ √1x e− x dx= √1π ∫ 1

1
−x
e dx ¿
0 0 0 2
( x)
−1
1 2
1
Or √ x=( x ) 2 et 1
=x
2
( x)
+∞ +∞ −1
∫ f X ( x ) dx=¿ √1π ∫ ( x ) 2 e− x dx ¿
0 0
Or
+∞ −1
∫ (x )
0
2
e−x dx=Γ ( 12 )=√ π
Donc
+∞
∫ f X ( x ) dx=¿ √1π √ π=1 ¿

0
2- Loi du couple ( X , Y )
Par définition la densité conditionnelle de Y sachant X est :
f ( y , x)
f ( y / x )=
f ( x)
Donc pour x >0 on a :
f ( y , x )=f ( y / x ) × f ( x)
Avec
( )
2
−1 x−m
f
y
=()1
x σ √2 π
e 2 σ
(1)
(Loi normale de paramètre m etσ 2)
¿ m=0 et σ =
2 1
2X
→σ=
1 .
2X √
44
En remplaçant m et σ par leur valeur dans la relation (1), il vient :
(√ ) = (√ )
2 2
−1 y−0 −1 y
2 1 2 1
1 2X 1 2X
f ( y / x )= e e
√ 1
2X
√2 π
√ 1
2X
√2π
( )
2
−1 y
2 1 1
2
1 1 −2 y 2x 2X
f ( y / x )= e = e
√
2π
2X
1
1 −2 y 2x (
π
X
2
√ x e− y
√ 2
x
f ( y /x )= e =f y /x )=
√ π √π
√x
D’où
f ( y , x )=f ( y / x ) × f ( x)= √ e− y x × × e−x = √
x 1 x 1
e (− y x )+ (− x )
2 2
√ π √ πx √ π √ √
π x
1 −x (y +1) 2
f ( y , x )= e
π
3- Loi conditionnelle de X sachant Y et Espérance mathématique E ( X /Y ) et variance V ( X / Y )

f ( y , x)
f ( x / y )=
f ( y)
+∞ +∞
1 −x (y +1)
f ( y ) =∫ f ( y , x ) dx =∫
2
e dx
0 0 π
+∞
1
∫
2
f ( y )= e−x ( y +1) dx
π 0
1
[
−1 −x (y +1)
]
2
f ( y )= × 2 e
π y +1
e ax 1 ax
Or la primitive d’une fonction de type f ( x )=eax est F ( x )== e
a a 2
D’où La fonction f ( x )=e−x( y +1 )=e axavec a=−( y ¿¿ 2+1)¿a pour primitive :
1 ax 1
F ( x )= e =
a
2
−x ( y +1)
−( y ¿¿ 2+ 1)e ¿
( )1 2
− x( y +1)
F ( x )=− e 2
y +1
Raison pour laquelle
1 −1 −x (y
[ ]
2
+1)
f ( y )= × 2 e
π y +1
1
f ( y )= ×
π [( −1 −∞ ( y +1)
2
y +1
e
−1 −0( y +1)
− 2 e
y +1
2
)(
2
)]
( e−∞( y +1) ) =0
2
( −1 −∞ ( y +1)
)
2
2
e =0
y +1
2
e−0 ( y +1)=1
45
f ( y )=
1
π [ ( )]
− 2
−1
y +1
1 1
f ( y )= × 2
π y +1
1 −x( y +1)
2
e 2
−x (y +1)
f ( y , x) π e
=( y 2+ 1 ) e−x( y +1 )
2
f ( x / y )= = =
f ( y) 1 1 1
×
π y 2+1 y 2+ 1
f ( x / y )=( y +1 ) e
2
2 − x( y +1)
pour x >0
Il s’agit d’une loi exponentielle de paramètre μ= ( y 2+ 1 )
On déduit l’espérance et la variance d’une loi exponentielle.
1 1
E ( X /Y ) = = 2
μ y +1
1 1
V ( X / Y )= 2 = 2
μ ( y + 1)
2
EXERCICE 4
Une firme produit des paquets de lessive dont le poids suit une loi normale de moyenne 1 kg et d’écart-type
0,05kg. Du fait de la production de masse, des paquets invendables peuvent apparaitre dans la production
hebdomadaire de 10 000 paquets.
1) Sachant qu’un paquet est invendable s’il pèse moins de 0,935 kg, calculer la probabilité correspondante.
2) Déterminer la probabilité qu’il y ait plus de 10% de paquets invendables au cours d’une semaine.
3) Calculer l’espérance et la variance de la proportion de paquets invendables dans la production d’une semaine.
4) Déterminer le pourcentage de paquets invendables qui ne sera dépassé avec une probabilité de 5%.
Solution :
Considérons la variable aléatoire (X) suivante : X = poids d’un paquet de lessive.
X ↝ Ν ( μ , σ 2 ) avec Ν =loi normale ; μ=moyenne et σ 2=variance
On a μ=1kg et σ 2=0,052 kg σ =0,05 kg .
( ).
2
−1 X −μ
La fonction densité d’une loi normale est : f ( X )= 1 e 2 σ
σ √2π
1) Calcul de la probabilité pour qu’un paquet soit invendable :
On sait qu’un paquet est invendable s’il pèse moins de 0,935 kg, c’est-à dire pour X < ¿0,935. Nous calculerons
donc la probabilité suivante P ¿0,935).
Pour calculer une telle probabilité, il suffit d’utiliser la variable auxiliaire T en passant par la loi normale centrée et
−1
1
2
(T )
réduite de paramètres μ=0 et σ =1 et ayant pour fonction densité : f ( X )=
2
e 2 . Par identification
√2 π
X−μ
avec celle de la loi normale standard, on a : T = . Exprimons x en fonction de T :
σ
σT = X−μ ⟹ X=σT + μ
P ( X <0,935 ) =P ( σT + μ<0,935 )
P ( X <0,935 ) =P ( σT <0,935−μ )
P ( X <0,935 ) =P T <( 0,935−μ
σ )
P ( X <0,935 ) =P T <( 0,935−1
0,05 )
P ( X <0,935 ) =P T <( 0,935−1
0,05 )
46
P ( X <0,935 ) =P ( T ←1,23 )=π (−1,3 )

On sait que π (−a )=1−π ( a )
P ( X <0,935 ) =1−π (1,3 )
Après lecture de la table de la loi normale centrée réduite (ou fonction de répartition) en faisant l’intersection entre
la ligne 1,3 et la colonne 0.00, on obtient π (1,3 )=0,9032
P ( X <0,935 ) =1−0,9032=0,0968
Donc la probabilité pour qu’un paquet de lessive soit invendable est de 0,0968 soit9,68 % . En d’autre termes, sur
les 10 000 paquets produits en une semaine 968 paquets sont invendables (c’est-à-dire pèse moins de 0,935
kg).
2) Probabilité qu’il y ait plus de 10% de paquets invendables dans la production d’une semaine.
Considérons une nouvelle variable aléatoire (Y) suivante : Y = nombre de paquets invendables dans la production
d’une semaine.
Y ↝ B ( n , p ) avec B=loi Binomiale ; n=nombre de paquets produite et p= probabilité q u ' un paquet soit inve
y y n− y
La fonction densité d’une loi Binomiale est : f ( Y ) =P ( Y = y )=C n p q .
10 000× 10
10% de paquets invendables correspond à =1000
100
Nous calculerons donc la probabilité suivante P( X > 1000)
P ( X >1000 )=1−P ( X ≤1000 ) =1−P T ≤ ( 1000−968

29,6 )
=1−π ( 1,08 )
P ( X >1000 )=1−0,8599=0,1401
3) Espérance et variance de la proportion de paquets invendable
E ( Y )=np=10 000 ×0,0968=968 et V ( Y ) =npq=968 ×0,9032=¿ 874,3
4) pourcentage de paquets invendables qui ne sera dépassé avec une probabilité de 5%.
P ( X > x )=0.05
P ( X > x )=1−P ( X ≤ x )=0.05
P ( X ≤ x )=1−0,05=0,95
P T≤( x−968
29,6 )
=0,95
π ( x−968
29,6 )
=π ( 1,64 )
x−968
=1,64 ⟺ x−968=29,6 ×1,64 ⟺ x=29,6 × 1,64+968
29,6
x=1016,544 ≈ 1017 Le pourcentage de paquets invendables qui ne sera dépassé avec une probabilité de 5%.est
10,17 % .
EXERCICE 5
Du fait de la crise économique, une firme produisant des voitures de marques veut étudier l’évolution des ventes
d’une de ses filiales supposées peu rentable. Elle vous informe que l’ensemble de ses filiales fonctionne en
considérant leurs ventes selon la fonction de répartition suivante :
−x
F X (x )=1−e θ Pourθ> 0 et inconnu.
47
1) Vérifiez que l’évolution des ventes suit une loi de probabilité dont vous préciserez les caractéristiques (Fonction
de densité, espérance mathématique et variance).
2) Donner une estimation ponctuelle du nombre de ventes et de l’écart-type si θ=50
3) Quelle est la probabilité qu’on ait au plus 25 ventes ?
4) Quelle est la probabilité qu’on ait un nombre de ventes compris entre 100 et 125 ?
SOLUTION :
1- Soit à vérifier que l’évolution des ventes suit une loi dont on précisera les caractéristiques :
 Il suffit de vérifier que la limite de F X ( x ) lorsque x tend vers l’infini est positif et égale à 1.
( x )=lim (1−e )=1−0=1 or lim e =0

−x
x
θ
lim F X x→−∞
x→ ∞ x→∞
 Caractéristique:
Fonction de répartition −x
θ
F X ( x ) =1−e
Fonction densité ' 1 −x
f X ( x )=[ F X ( x ) ] = e θ
θ
Loi de probabilité 1
Loi exponentielle de paramètre
θ
Esperance mathématique E ( X ) =μ=θ
Variance V ( X )=σ 2=θ 2
2- Estimation ponctuelle du nombre moyen de ventes et l’écart type si θ=25
si ¿ 25 , une estimation du nombre moyen de vente est μ=25 et une estimation de l’écart-type est :
σ =√ σ = √ θ =√ 25 =25
2 2 2
3- Probabilité qu’on ait au plus 25 ventes

−25
P ( X ≤25 )=1−e 25
=1−e−1=0,63
4- Probabilité d’avoir un nombre de ventes compris entre 100 et 125.
P ( 100≤ X ≤ 125 )=F ( 125 )−F(100)
P ( 100≤ X ≤ 125 )=(1−e )−( 1−e )

−125 −100
25 25
−125 −100
25 25
P ( 100≤ X ≤ 125 )=1−e −1+ e
−125 −100
25 25
P ( 100≤ X ≤ 125 )=e −e
−5 −4
P ( 100≤ X ≤ 125 )=e −e =−0,01
EXERCICE 6
Une machine qui ensache le sel est réglée au moyen d’un dispositif graduée en gramme. Lorsque la machine est
graduée en « n », le poids moyen des sacs remplis est « m ».le poids en grammes d’un sachet suit une loi
normale de moyenne m et d’écart-type σ =8
1) Calculer la probabilité de l’évènement « M ≤ 1000 » pour les réglages suivants : m=1000 ; m=992 et m=1008.
2) Calculer la probabilité de l’évènement « 992 ≤ M ≤ 1008 » si la machine est réglée sur la valeur 1000.
48
3) Sur quelle valeur doit-on régler la machine pour que la probabilité de «M ≥ 1000 . soit de 96%.
Le mécanisme de fermeture étant automatisé, il peut être quelque fois défectueux. On suppose que le nombre de
pannes au cours d’une année d’utilisation suit une loi de poisson.
4) Montrer que le paramètre de cette loi est égal à 2 si les probabilités d’observer 1 et 2 pannes sont égales.
5) Calculer la probabilité que le nombre de pannes au cours d’une année d’utilisation soit supérieur à 6.
Une association de consommateurs décide de contrôler la teneur en chlorure d’iode de ce sel dont la teneur sur
chaque paquet est de 250mg/kg on prélève au hasard sachets dans la production pour les étudier au
laboratoire la moyenne et l’écart-type empiriques obtenus de l’échantillon sont X =253,9 et S=21,9.
6) A partir de ces résultats, donner une estimation ponctuelle de la moyenne et de l’écart-type des teneurs en iode de
la production totale si on suppose que celle-ci est suffisamment importante pour être assimilé un tirage non
exhaustif.
7) Donner un intervalle de confiance de la moyenne et de la variance de cette teneur pour un niveau de confiance de
95%.
SOLUTION :
1) probabilité de l’évènement « M ≤ 1000 » pour les réglages suivants :

m=1000 ; m=992et m=1008.
(
P ( X ≤1000 ) =P T <
1000−m
8 )
 Pour m=1000
(
P ( X ≤1000 ) =P T <
1000−1000
8 )
=π ( 0 ) =0,5000
P ( X ≤1000 ) =0,5000
 Pour m=992
(
P ( X ≤1000 ) =P T <
1000−992
8 )
=π ( 1 )=0,8413
P ( X ≤1000 ) =0,8413
 Pour m=1008
(
P ( X ≤1000 ) =P T <
1000−1008
8 )=π (−1 )=1−π ( 1 )=1−0,8413
P ( X ≤1000 ) =0,1587
2) Calculer la probabilité de l’évènement « 992 ≤ M ≤ 1008 » si la machine est réglée sur la valeur 1000.
P ( 992≤ M ≤ 1008 ) =P ( 992−1000
8
≤T ≤
1008−1000
8 )
P ( 992≤ M ≤ 1008 ) =P (−1 ≤ T ≤1 )
P ( 992≤ M ≤ 1008 ) =π ( 1 )−π (−1 )=2 π (1 ) −1
P ( 992≤ M ≤ 1008 ) =2× 0,8413−1=0,6826
P ( 992≤ M ≤ 1008 ) =0,6826
3) Valeur Sur Laquelle on doit régler la machine pour que la probabilité de « M ≥ 1000 ». soit de 96%.
4) Soit à Montrer que le paramètre de cette loi est égal à 2 si les probabilités d’observer 1 et 2 pannes sont égales.
X =nombre de pannes
49
X ↝ P( λ )
e− λ λ x
P ( X=x )=
x!
La probabilité d’observer 1 panne est :
e−λ λ 1
P ( X=1 ) =
1!
La probabilité d’observer 2 pannes est :
−λ 2
( ) e λ
P X=2 =
2!
e− λ λ 1 e− λ λ2
( ) ( )
P X=1 =P X=2 ⟺ =
1! 2!
−λ e− λ λ 2
⟺e λ=
2
−λ −λ 2
⟺ 2 e λ=e λ
λ2
⟺ 2= =λ
λ
5) probabilité que le nombre de pannes au cours d’une année d’utilisation soit supérieur à 6 :
P ( X >6 )=1−P ( X ≤ 6 )
6) estimation ponctuelle de la moyenne et de l’écart-type des teneurs en iode de la production totale si on suppose
que celle-ci est suffisamment importante pour être assimilé un tirage non exhaustif.
- Estimation ponctuelle de la moyenne : X =253,9
-
7)
Estimation ponctuelle de l’écart-type : σ =S
√ n
n−1
=21,9
100
99 √
=0,2223
Intervalle de confiance de la moyenne et de la variance de cette teneur pour un niveau de confiance de 95%.
S
- intervalle de confiance de la moyenne : I C =X ± z α
2 √n
z α au seuil 95 %=1.96 , I =253,9 ±1.96 × 21,9 =253,9 ± 4,2924
C
2 √ 100
I C =[ 249,6076 ; 258,1924 ]
- Intervalle de confiance de la variance :
2 S
I C =σ ± z α
2 √n
50
21,9
I C =4,7961 ± 1.96× =4,7961± 4,2924
√100
I C =[ 0,5037 ; 9,0885 ]
Fiche de TD
EXERCICE 1
Une étude antérieure menée sur l’âge des enseignants de l’université de Yaoundé 2 Soa fourni les variances de 81
et 100 respectivement pour les enseignants de la FSEG et la FSJP. Les données de 2 échantillons aléatoires
indépendants donnent les résultats suivants.
FSE FSJP
Taille de l’échantillon 36 49
Moyenne dans 40an 35an
l’échantillon
1) Donner une estimation ponctuelle de la moyenne dans chaque population et de la différence des moyennes.
2) Donner un intervalle de confiance dans chacun des deux cas au seuil de signification de 5%
3) Formaliser le test sur la différence des âges moyens si l’écart hypothétique est nul.
4) En utilisant tour à tour la statistique du test et la valeur critique que peut-on conclure ?
EXERCICE 2
Une étude antérieure menée sur l’évaluation des différences qualitatives de l’enseignement de statistique
inférentielle dispensé dans deux amphis fournit des variances de 100 pour chaque population. Les études
aléatoires de 2 échantillons indépendants des étudiants donnent les résultats suivants :
Amphi Amphi
A B
Moyenne dans l’échantillon 82 78
4) En utilisant tour à tour la statistique du test et la valeur critique dire s’il existe une différence significative
entre les notes moyennes de ces deux populations ?
EXERCICE 3
Une enquête a été menée pour identifier les écarts entre les dépenses journalières d’alimentation des étudiants de
SECO II selon le genre. Un échantillon aléatoire simple de 28 étudiants est sélectionné chez les garçons et un
échantillon simple dépendant de 22 étudiants est sélectionné chez les filles.la dépense de chaque étudiants
sélectionné est enregistrée et les données sont résumées dans le tableau suivant :
Garçons Filles
Moyenne dans l’échantillon 1025 910 FCFA
FC
51
FA
variance 22500 15625
4) En utilisant tour à tour la statistique du test et la valeur critique dire s’il existe une différence significative entre
les notes moyennes de ces deux populations ?
EXERCICE 4
La table de contingence résumant les résultats d’une étude portant sur les préférences en matière de bières selon le
sexe du consommateur sur un échantillon de consommateurs est la suivante :
Préférence en matière de bière

Légèr Normal Brune Total
e e
Sexe Homm 20 40 20 80
e
Femm 30 30 10 70
e
Total 50 70 30 150
1) Formuler le test permettant de tester l’indépendance entre les préférences des consommateurs et leur sexe.
2) Construire la table des fréquences attendues sous l’hypothèse de l’indépendance.
3) Calculer la statistique du test et dire si les préférences des consommateurs sont indépendantes de leur sexe.
EXERCICE 5
Un échantillon aléatoire de 6 travailleurs est utilisé pour comparer deux méthodes de production à travers la
procédure de test avec échantillon apparié. Les informations sur le temps de réalisation d’une tache sont
fournies dans le tableau suivant :
Travailleur 1 2 3 4 5 6
Temps de réalisation par la méthode 6 5 7 6,2 6 6,4

1
Temps de réalisation par la méthode 5,4 5,2 6,5 5,9 6 5,8

2
EXERCICE 6
Vous effectuez une étude sur la qualité de l’eau présente dans 20 forages à Soa pendant 40 semaines. Vous
disposez à la fin de 80 échantillons comprenant chacun 20 prélèvements afin de déterminer le pourcentage de
forage pollués parmi les 20 forages.
K=nombre de 0 1 2 3 5 5 ≥6
prélèvem
ents
pollués
Nombre 1 2 1 1 9 4 2
d’échantil
lon
concernés
Effectuer un Test permettant de tester la valeur du pourcentage p de risque de première espèce α =5 % et donner la
Nature de ce test :
52
EXERCICE 7
−x
F X (x )=1−e θ Pourθ> 0 et inconnu. Pour justifier les fermetures, on vous consulte pour un test statistique sur un
échantillon de 20 filiales dont les hypothèses sont :
{ H 0 : a=800 m3 /an
3
H 1 :1000 m /an
1) Donner la nature de ce test.
2) Déterminer par la méthode de Neymann-Pearson la variable D de décision de cetest.*
3D
3) Déduire la région critique du test en montrant que la variable suit une loi tabulée pour un risque de 5%
θ
4) Déterminer la puissance de ce test.
5) Quelle conclusion peut-on tirer des résultats précédents si le relevé des ventes des 20 filiales donne :
8 93 12 11 10 10 13 10 10 10
7 11 11 10 98 10 12 97 11 12
6) Calculer la taille de l’échantillon pour que les risques de première et de deuxième espèce soient égaux à 5%.
Fiche de TD 4 :
EXERCICE 1
Une étude antérieure menée sur l’âge des enseignants de l’université de Yaoundé 2 Soa fourni les variances de 81 et 100
respectivement pour les enseignants de la FSEG et la FSJP. Les données de 2 échantillons aléatoires indépendants
donnent les résultats suivants.
FSEG FSJP
53
Taille de l’échantillon n1 =36 n2 =49

Moyenne dans l’échantillon m1=40 ans m2=35 ans
FSEG FSJP
Estimation ponctuelle de la moyenne de la population x 1=40 x 2=35
Estimation ponctuelle de la différence des moyennes x=|x 1−x 2|=5
α 0,05
α =0,05 n1 >30 ⟹ on prend = =0,025
2 2
n σ1
I c1 = x 1−z α
[
2 √ n1
n σ1
; x 1+ z α 1
2 √ n1
1
]
[ 9
I c1 = 40−1,96 ; 40+ 1,96
6
9
6 ]
I c1 =[ 37,06 ; 42,94 ]
α 0,05
n2 >30 ⟹ on prend = =0,025
2 2
I c2 = x 2−z α
n1
[
n σ2
2 √ n2
n2
n σ2
; x 1+ z α 2
2 √n 2
36 49
2
]
z =z =z
α α 0,025 =z 0,025 =1,960
2 2
[
I c2 = 35−1,96
10
7
; 35+1,96
10
7 ]
I c2 =[ 32,2 ; 37,8 ]
Soit x=x 1−x 2 ,la différence des moyennes des âges des enseignants
[ √ √ ]
2 2 2 2
n1 +n2 σ1 σ2 n +n σ 1 σ2
I c x = x−z α + ; x+zα 1 2
+
2
n1 n2 2
n1 n2
[
I c x = 5−1,96
√ 81 100
36 49
+ ; 5+1,96
81 100
+
36 49 √ ]
I c x =[ 0,94 ; 9,06 ]
Si l’écart hypothétique est nul , on aura :
x=x 1−x 2=0 ⟹ x 1=x 2
'
d où leshypothèses du test sont :
{ H 0 : x1 =x2 (les moyennes des ages sont égales pour les deux facultés)
H 1 : x 1 ≠ x 2 (les moyennes des ages sont différentes pour les deux facultés)
4) En utilisant tour à tour la statistique du test et la valeur critique que peut-on conclure ?
La statistique du test est donnée par la formule suivante sous l’hypothèse nulle :
|√ |
¿ x −0
Z=
2 2
σ1 σ2
+
n1 n2
54
|√ |
5−0
Z¿ = =2,4138
81 100
+
36 49
¿ α /2
Règle de décision : si Z >Z n +n , on rejette l’hypothèse nulle (H0)
1 2
α/2 0,025 0,025
Z n +n =Z 36+49 =Z 85 =1.96 table de student à 85 dégrés de libertés
|√ |
1 2
¿ 5−0 0,025
Z= =2,4138> Z85
81 100
+
36 49
'
Décision:On rejette l hypothèse Ho
Conclusion : Il y’a effectivement une différence d’âge entre les enseignants des deux facultés.
EXERCICE 2
Une étude antérieure menée sur l’évaluation des différences qualitatives de l’enseignement de statistique inférentielles
dispensé dans deux amphis fournit des variances de 100 pour chaque population. Les études aléatoires de 2 échantillons
indépendants des étudiants donnent les résultats suivants :
Amphi A Amphi B
Moyenne dans l’échantillon 82 78
1) Donner une estimation ponctuelle de la moyenne dans chaque population et de la différence des
moyennes.
Amphi A Amphi B
n1 =30⟹ on prend α =0,05
n 30
z α =z 0,05=2,042
1
[
I c1 = x 1−z nα 1
σ1
√ n1
; x 1+ z nα 1
σ1
√ n1 ]
[
I c1 = 82−2,042
10
√30
; 82+1,96
10
√ 30 ]
α 0,05
n2 >30 ⟹ on prend = =0,025
2 2
[ σ
2 √ n2
n2
2
40
σ
I c2 = x 2−z nα 2 ; x 1+ z nα 2
2 √n 2
2
]
z α =z 0,025 =1,960
2
[
I c2 = 78−1,96
10
√ 40
;78+ 1,96
10
√ 40 ]
Soit x=x 1−x 2 ,la différence des moyennes des âges des enseignants
55
[
I c x = x−z
n1 +n2
α
2 √ σ 12 σ 22
+
n1 n2
n +n
; x+zα
2
1 2
√ σ 12 σ 22
+
n1 n2 ]
[
I c x = 4−1,96
√ 100 100
+
30 40
;5+1,96
100 100
+
30 40 √ ]
x=x 1−x 2=0 ⟹ x 1=x 2
'
{ H 0 : x1 =x 2(les moyennes sont égales pour les deux amphi)

H 1 : x 1 ≠ x 2 (les moyennes sont différentes pour les deux amphi)
4) En utilisant tour à tour la statistique du test et la valeur critique dire s’il existe une différence significative
entre les notes moyennes de ces deux populations ?
|√ |
¿ x −0
Z=
2 2
σ1 σ2
+
n1 n2
|√ |
¿ 4−0
Z= =5,7486
100 100
+
30 40
¿ α /2
1 2
Z αn /2+n =Z 0,025
1 2
0,025
30+40 =Z 70 =1.96 table de student à 85 dégrés de libertés
¿ 0,025
Z =5,7486> Z 70
Décision:On rejette l ' hypothèse Ho
Conclusion : Il y’a effectivement une différence de moyenne sur la qualité d’enseignement dans les deux amphis.
EXERCICE 3
Une enquête a été menée pour identifier les écarts entre les dépenses journalières d’alimentation des étudiants de SECO II
selon le genre. Un échantillon aléatoire simple de 28 étudiants est sélectionné chez les garçons et un échantillon simple
dépendant de 22 étudiants est sélectionné chez les filles.la dépense de chaque étudiants sélectionné est enregistrée et les
données sont résumées dans le tableau suivant :
Garçons Filles
Moyenne dans l’échantillon 1025 910 FCFA
FCF
A
variance 22500 15625
Garçons Filles
Taille de l’échantillon n1 =28 n2 =22
56
n1 <30 ⟹ on prend α =0,05
n 28
z α =z 0,05=2,048
1
[ n s1
I c1 = x 1−z α
√ n1
n s1
; x 1+ z α
1
√ n1
1
]
n1
s1=σ
n1−1 1
σ 1=√ 22500=150
√
s1=
28
√
28−1
150=152,75
[
I c1 = 1025−2,048
152,75
√ 30
; 82+2,048
152,75
√30 ]
n2 <30 ⟹ ⟹ on prend α=0,05
[ n s2
I c2 = x 2−z α
√ n2
n s2
; x 1+ z α
2
√n 2
2
]
n2
s2=σ
n2−1 2
σ 2=√ 15625=125
√
s2=
22
√
22−1
125=127,94
[
I c2 = 910−2,074
127,94
√ 22
; 910+2,074
127,94
√22 ]
Soit x=x 1−x 2 ,la différence des moyennes des
[
I c x = x−z α
n1 +n2
2 √ s 12 s 22 n +n
+ ; x+zα
n1 n2 2
1 2
√ ]
s12 s22
+
n1 n2
[ √ √ ]
2 2 2 2
152,75 127,94 152,75 127,94
I c x = 115−1,96 + ;115+ 1,96 +
28 22 28 22
x=x 1−x 2=0 ⟹ x 1=x 2
'
{ H 0 : x1 =x 2(les moyennes sont égales pour les deux sexes)

H 1 : x 1 ≠ x 2 (les moyennes sont différentes pour les deux sexes)
4) En utilisant tour à tour la statistique du test et la valeur critique dire s’il existe une différence significative entre les
notes moyennes de ces deux populations ?
57
|√ |
¿ x−0
Z=
2 2
s1 s2
+
n 1 n2
|√ |
¿ 115−0
Z= =2,8956
2 2
152,75 127,94
+
28 22
¿ α /2
1 2
α /2 0,025 0,025
Z n1 +n2 =Z 28+22 =Z 50 =1.96 table de student à 50 dégrés de libertés
¿ 0,025
Z =2,8956> Z 50
'
Décision:On rejette l hypothèse Ho
Conclusion : Il y’a effectivement une différence de moyenne sur les dépenses journalière entre les garçons et les
filles.
EXERCICE 4
La table de contingence résumant les résultats d’une étude portant sur les préférences en matière de bières selon le
sexe du consommateur sur un échantillon de consommateurs est la suivante :
Préférence en matière de bière

Légèr Normal Brune Total
e e
Sexe Homm 20 40 20 80
e
Femm 30 30 10 70
e
Total 50 70 30 150
1) Formuler le test permettant de tester l’indépendance entre les préférences des consommateurs et leur sexe.
¿ test permettant de tester l’ indépendance entre les préférences des consommateurs
et leur sexe est≤Test du khi−deux .
Formalisation du test :
Soit X =sexe du consommateur et
Y = préférence des consommateurs en matière de bière
Hypothèses= 0
{
H :les variables X et Y sont indépendantes
H 1 : es variables X et Y sont dépendantes
2) Construire la table des fréquences attendues sous l’hypothèse de l’indépendance.

nij
 TABLEAU DES FREQUENCES OBSERVEES (Oij) :O ij = avec N=150
N
Y Légère Normale Brune Total
X
Homme 0,13 0,27 0,13 0,53
Femme 0,20 0,20 0,07 0,47
Total 0,33 0,47 0,2 1
 TABLEAU DES FREQUENCES ATTENDUE ( Aij ) :
total fréquence ligne ×total fréquence colonne
Aij =
fréquence totale
X
58
Homme 0,17 0,25 0,11 0,53

Femme 0,16 0,22 0,09 0,47
Total 0,33 0,47 0,20 1
3) Calculer la statistique du test et dire si les préférences des consommateurs sont indépendantes de leur sexe.
La statistique du Khi-deux se détermine à partir des contributions selon la formule suivante :
χ cal =∑ CTR ij
2
Oij − Aij
avec CTR ij =
A ij
TABLEAU DES CONTRIBUTIONS (CTR ij )

X
Homme -0,24 0,08 0,18 0,02
Femme 0,25 -0,09 -0,22 -0,06
Total 0,01 -0,01 -0,04 -0,04
χ cal =∑ CTR ij =−0,04
2
Critère de décision : si χ 2cal > χ 2tab ( p−1∗q−1 ) , on rejette H 0
p=nombre de ligne et q=nombre de colonne

ddl=nombre de dégrésde liberté= p−1∗q−1
2 2 2
χ tab ( p−1∗q−1 ) = χ tab ( 2−1∗3−1 ) = χ tab ( 2 )=5,991
[ χ 2cal=−0,04 ] < [ χ 2tab ( 2 ) =5,991 ]

Conclusion: on accepte H 0 donc les préférences des consommateurs
sont indépendantes de leur sexe
EXERCICE 5
Un échantillon aléatoire de 6 travailleurs est utilisé pour comparer deux méthodes de production à travers la procédure de
test avec échantillon apparié. Les informations sur le temps de réalisation d’une tache sont fournies dans le tableau
suivant :
Temps de réalisation par la méthode 6 5 7 6,2 6 6,4
1
Temps de réalisation par la méthode 5,4 5,2 6,5 5,9 6 5,8
2
1) Calculer les écarts entre les temps de réalisations :
Ecart Temps de réalisation par la méthode 0,6 0,2 0,5 0,3 0 0,6
1et 2
2) Donner une estimation de la moyenne des écarts et de l’écart-type des écarts :
'
soit x E ,la moyenne des écats et σ E l écart−type des écarts .
59
0,6+0,2+0,5+ 0,3+0+0,6
xE= =0,37
6
σ E = √ σ E2
6
∑ x i2−x E 2 ( 0,6 2+ 0,22+ 0,52+ 0,32 +02 +0,62 ) −0,372

2
σE = i=1 = =0,16
n 6
3) Estimer à partir d’un intervalle de confiance, l’écart entre les moyennes.
Soit x 1 et x 2 respectivement ≤temp moyen de réalisation par la méthode 1 et

'
par la méthode 2 et x ,l écart entre les moyennes
6+5+7+ 6,2+ 6+6,4

x 1= =6,1
6
5,4+5,2+6,5+5,9+6 +5,8
x 2= =5,8
6
x=|x 1−x 2|=0,3
[ √ σ 12 σ 22
√ ]
2
2n 2n σ 1 σ 22
I c x = x−z α + ; x+ z α +
n n n n
4) Formuler le test correspondant et conclure à partir de la valeur de la statistique du test.
x=x 1−x 2=0 ⟹ x 1=x 2

'
{ H 0 : x1 =x 2(les moyennes sont égales pour les deux méthodes)

H 1 : x 1 ≠ x 2 (les moyennes sont différentes pour les deux méthodes )
|√ |
x −0
Z¿ =
2 2
σ1 σ2
+
n1 n2
¿ α /2
1 2
EXERCICE 6
Vous effectuez une étude sur la qualité de l’eau présente dans 20 forages à Soa pendant 40 semaines. Vous disposez à la
fin de 80 échantillons comprenant chacun 20 prélèvements afin de déterminer le pourcentage de forage pollués parmi les
20 forages.
K=nombre de prélèvements pollués 0 1 2 3 5 5 ≥6
Nombre d’échantillon concernés 13 21 19 12 9 4 2

Effectuer un Test permettant de tester la valeur du pourcentage p de risque de première espèce α =5 % et donner la
Nature de ce test :
EXERCICE 7
60
−x
F X (x )=1−e θ Pourθ> 0 et inconnu. Pour justifier les fermetures, on vous consulte pour un test statistique sur un
échantillon de 20 filiales dont les hypothèses sont :
{ H 0 :a=800 m3 /an
3
H 1 :a=1000 m /an
4) Donner la nature de ce test.
Nature du Test : Test Bilatéral
5) Déterminer par la méthode de Neymann-Pearson la variable D de décision de cetest.*

3D
6) Déduire la région critique du test en montrant que la variable suit une loi tabulée pour un risque de 5%
θ
7) Déterminer la puissance de ce test.
8) Quelle conclusion peut-on tirer des résultats précédents si le relevé des ventes des 20 filiales donne :
8 93 12 11 10 10 13 10 10 10
7 11 11 10 98 10 12 97 11 12
9) Calculer la taille de l’échantillon pour que les risques de première et de deuxième espèce soient égaux à 5%.
GUIDE DE LECTURE DES TABLES DE LOIS

STATISTIQUES
 LOI NORMALE CENTREE REDUITE
Pour une fonction :
( )
2
−1 x−m −1 2
1 2 σ 1 2
(T )
f ( x)= e ⟹ f (x )= e
σ √2 π σ √2 π
Par identification on a :
x−m 2
σ ( 2
=( T ) ⟹
x−m
σ
=T)
Soit par exemple une loi normale centrée réduite ayant pour moyenne m=2 et pour écart-typeσ =5 .
( )
2
−1 x−2
1 2 5 x −2
f ( x )= e ⟹ =T ⟹ x−2=5 T ⟹ x=5 T +2
5√2π 5
1
Pour P( X =3) on a P(5 T + 2=3)⟹ P(5 T =3−2)⟹ P (T = )
5
⟹ P ( T =0,2 )=π ( t=0,2 )=0,5793
Quand l’on veut connaitre la valeur de π ( t=0,2 ), il faut aller sur l’extrait de la table de la fonction intégrale
de la loi normale centrée réduite sur laquelle est écrit π ( t ) , que tu va découvrir.
Exemple :
61
Pour π ( t=0,2 ), on a : t=0,2+0,00=0,2 donc en lisant on prend la valeur de t en colonne et on regarde
son correspondant en ligne. Le point de rencontre entre la ligne et la colonne est le résultat
recherché.
t 0 ,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120

0,1 0,5398 0,5438 0,5478 0,5517
0,2 0,5793 0,5832 0,5871 0,5910
Car
π ( t=0,2 )=0,5793 0,2
t 0 ,00
+0,00
0,2 0,5000 0,2
Car
t 0 ,00 0 ,01
π ( t=0,21 )=0,5832 0,2
0,2 0,5000 0,5832 +0,01
0,21
t 0 ,00 0,01 0,02 0,03 0,04 0,05

π ( t=0,35 )=0,6368
0,3 0,6368
π ( t=1,52 )=0,9357 1,5 0,9357
Une autre remarque :
P ( T ≥ x ) =1−P(T < x) donc, pour trouver la valeur de π ( t ) , on doit avoir soit le signe (¿) ou le signe (¿) et
non (≥).
Donc par exemple P ( T < x )=π ( t=1 )=π ( 1 )

62
Si on a : P ( T ≥1 )=1−P ( T <1 ) =1−π ( t=1 )=1−π ( 1 )
Voici un secret :
P ( T ≥ x ) =1−P ( T < x )=1−π ( x )
P ( T > x )=1−P ( T ≤ x )
P ( T ≤ x ) =P ( T =x )=P ( T < x ) =π ( x )
La probabilité d’une variable (supérieure, inférieure) ou égale (≥ ou ≤) est égale à 1 moins la probabilité de la variable
strictement (inférieure, supérieure) (¿ ou> ¿)
 LOI DE POISSON
Pour une loi de poisson de paramètre λ=4 et x=2 , par simple lecture de la table de loi de Poisson on a
P=0,1465. De plus en passant par la fonction suivante :
−λ x −4 2
e λ e 4
P ( X=x )= P ( X=2 )= =0,1465
x! 2!
λ 1 2 3 4
x
2 0,1465
EXERCICE SUPPLEMENTAIRE SUR L’ECHANTILLONNAGE, L’ESTIMATION ET LES TRESTS

D’HYPOTHESES
Une entreprise fabrique en série des pièces dont le diamètre, mesuré en millimètres, définit une variable aléatoire D et
dont la longueur définit une variable aléatoire L. On admet que la variable aléatoire D suit la loi normale de moyenne m et
d'écart type s.
1. Estimation de m et s :
a Un échantillon de 100 pièces est prélevé au hasard dans la production. Les mesures des diamètres des pièces de cet
échantillon sont regroupées dans le tableau suivant :

En faisant l'hypothèse que, pour chaque classe, les valeurs mesurées sont égales à celle du centre de la classe, calculer, à
10-2 près, la moyenne d et l'écart type s de cet échantillon. En déduire l'estimation ponctuelle de s fournie par cet
échantillon.
b On appelle la variable aléatoire qui, à chaque échantillon de 100 pièces, associe la moyenne des diamètres des
pièces de l'échantillon. On rappelle que suit la loi normale de moyenne m et d'écart type /10. Déterminer un
intervalle de confiance de la moyenne m de au seuil de confiance de 95%.
2. Dans cette question, on admet que la production comporte 5 % de pièces inutilisables.
a. L'entreprise conditionne ses pièces par boîtes de 25. On tire une boîte au hasard (on assimilera cette épreuve à un tirage
successif avec remise de 25 pièces dans la production). On désigne par K le nombre de pièces inutilisables dans cette
boîte. Quelle est la loi suivie par la variable aléatoire K ? Calculer, à 10 -3 près, la probabilité que cette boîte contienne au
plus une pièce inutilisable.
b. Un client qui a besoin de 185 pièces commande 8 boîtes de pièces (on assimile cette épreuve à un tirage successif et
63
avec remise de 200 pièces dans la production). On désigne par L le nombre de pièces inutilisables dans cette commande.
On admet que L suit la loi de Poisson de paramètre 10. Quelle est la probabilité que le client dispose d'un échantillon
suffisant de pièces utilisables dans sa commande ?
Correction :
1. a.

d = 4,49 et s = 0,19 à 10-2 près (on peut utiliser directement la calculatrice )
Une estimation ponctuelle de l'écart type fourni par cet échantillon de taille n = 100 est :

1.b.
La variable aléatoire suit la loi normale de moyenne m et d'écart type /10, donc la variable aléatoire T définie par :
suit une loi N(0 ; 1 ) donc pour tout réel t on a : p(-t T t ) = 2 ( t ) - 1
2 ( t ) - 1 = 0,95 si ( t ) = 0,975 sur la table de la loi normale on lit t = 1,96
p(- 1,96 T 1,96 ) = 0,95 équivaut à :

en prenant pour la valeur trouvée au 1. a. on en déduit un intervalle de confiance de la moyenne de au seuil de
confiance de 95% : [4,45 ; 4,53]
64
2. a.
- Les épreuves sont indépendantes ( puisqu'on assimile cette épreuve à un tirage successif avec remise )
- Chaque issue est un échec ou un succés ( pièce inutilisable ou utilisable )
- Il y a 25 épreuves successives.
donc la variable aléatoire désignant le nombre de pièces inutilisables dans cette boîte suit une loi binomiale de paramètres
B (25 ; 0,05 ).
Notons E l'évènement E : " la boite contient au plus une pièce inutilisable "
p( E ) = p( K 1) = p(K = 0) + p(K = 1)

2.b. ( L suit une loi de poisson de paramètre = np = 200 × 0,05 = 10 )
Soit U l'évènement : U : " le client dispose d'un échantillon suffisant de pièces utilisables "
Il faut qu'il y ait un nombre au moins 185 pièces utilisables soit 15 pièces au plus inutilisables.
p( U ) = p( L 15 ) = p( L = 0) + p(L = 1) + .... + p(L = 15)
d'après la table on a :
p( U ) = 0,000 + 0,000 + 0,002 + 0,008 + 0,0019 + 0,038 + 0,063 + .... + 0,035
p( U ) = 0,95
La probabilité que le client dispose d'un échantillon suffisant de pièces utilisables dans sa commande est donc de 0,95.
Estimation par intervalle de confiance de la moyenne
On considère une population telle que pour le caractère observé la moyenne m est inconnue et l'écart type est connu. On
souhaite estimer la moyenne m de la population à partir d'un échantillon de taille n de moyenne connue .
Soit la variable aléatoire qui à chaque échantillon de taille n associe la moyenne de cette échantillon.
On sait que suit approximativement une loi N( m ; / ) pour n suffisamment grand ( n > 30 ) ( voir loi
d'échantillonnage )
Donc la variable aléatoire T définie par :
suit approximativement une loi normale centrée réduite N(0 ; 1) ( voir loi normale )
On cherche un intervalle de confiance de la moyenne, c'est à dire un intervalle tel que la probabilité que la moyenne m
appartienne à cet intervalle soit égale à où [0 ; 1]. On appelle cet intervalle de confiance avec le coefficient de
confiance ou avec le risque 1 - .
Le risque que l'on prend à dire que m appartient à cet intervalle est donc de 1 - .
Déterminons cet intervalle de confiance :
Soit t le nombre réel positif tel que P( - t T t ) =
on a donc 2 (t ) - 1 = d'où t est tel que (t ) = 1 - /2 et :
65

L'intervalle de confiance de la moyenne m avec un coefficient de confiance de est :
Estimation d'un paramètre
On souhaite étudier un caractère statistique quantitatif d'une population ( population mère ) à

partir de l'étude d'un échantillon de cette population.
N, m, , pi sont respectivement l'effectif , la moyenne, l'écart type, la proportion de la i-ème
classe se rapportant à la population mère et
n, , s , fi sont respectivement l'effectif , la moyenne, l'écart type, la fréquence de la i-ème classe
se rapportant à l'échantillon.
Echantillon :
bornes des classes en séparant les valeurs par des
10,12,14,16,20
virgules :
effectifs correspondants pour chacune des classes
en séparant par des vigules les valeurs :
5,9,2,10
Estimation de la moyenne :
On admet que la meilleure estimation de la moyenne m de la population mère est
=
Estimation de l'écart type :
On admet que la meilleure estimation de l'écart type de la population mère est :
( s = )
Estimation des proportions pi :

On admet que la meilleure estimation de la proportion pi
est la fréquence fi .
66
Estimation de la moyenne et d'une proportion par intervalle de confiance

( cas non exhaustif )
0.10
On étudie un échantillon de taille n = , au seuil de risque =
de confiance :
- de la moyenne m sachant que l'écart type de la population mère est
= que la moyenne de l'échantillon est = :
où t = tel que :
- de la proportion p sachant que la fréquence f est f = :
Tests de validité d'hypothèse
Plan pour la construction d'un test : 1. On choisit l'hypothèse nulle H0 et l'hypothèse alternative H1. 2. On détermine la
région critique à un seuil α fixé. 3. On énoncé la règle de décision : si un paramètre des échantillons se trouve dans la
région critique, on rejette l'hypothèse nulle, sinon on accepte l'hypothèse nulle H 0 .
o Test Unilatéral
o Test Bilatéral
Test unilatéral
Un test unilatéral s'applique quand on cherche à savoir si une estimation est supérieure ou inférieure à une autre ou à une
valeur donnée.
o Comparaison d'une moyenne à une valeur donnée
Test unilatéral
Un test unilatéral s'applique quand on cherche à savoir si une estimation est supérieure ou inférieure à une autre ou à une
valeur donnée.
Objectif : On prélève un échantillon prélevé de taille n , de moyenne dans une population d'écart type . On veut
savoir par exemple si au seuil de risque , on peut dire que la moyenne m inconnue de la population est
significativement supérieure à une valeur donnée m 0 .
Règle de décision, région critique :
On suppose que la moyenne m de la population est égale à une certaine valeur m 0.
Cette hypothèse est appelée hypothèse nulle, on la note H 0 : m = m0,
l'hypothèse H1 : m > m0 est l' hypothèse alternative.
( NB ; on peut aussi bien choisir m < m0 comme hypothèse alternative si on veut savoir si la moyenne m inconnue de la
67
population est significativement inférieure à une valeur donnée m 0 )

La variable aléatoire qui à tout échantillon non exhaustif de taille n associe la moyenne de cet échantillon suit donc
approximativement la loi normale N( m ; / ), donc la variable aléatoire( / ) ( - m) suit la loi normale centrée
réduite N( 0 ;1) donc pour tout réel t , on a :

( voir loi d'échantillonnage )
En supposant que m = m0 , on peut donc dire que l'on a une probabilité de 1 - que la moyenne de l'échantillon soit
inférieure ou égale à m + t / où t est le nombre réel tel que ( t ) = 1 - et par conséquent la probabilité que la
moyenne de l'échantillon soit supérieur à m + t / .
Autrement dit au seuil de risque , on peut fixer la règle suivante :

cette régle est appelé règle de décision.
La région H1 est appelée région critique .
Un test bilatéral s'applique quand on cherche une différence entre deux estimations, ou entre une estimation et une valeur
donnée sans tenir compte du signe de la différence.
Exemple de test :

o Comparaison d'une fréquence à une valeur donnée
o Comparaison des moyennes de deux populations
o Comparaison des fréquences de deux populations
o Objectif : On prélève un échantillon prélevé de taille n, de moyenne dans une population d'écart type σ on veut
savoir si on peut accepter au seuil de risque , que la moyenne m inconnue de la population soit égale à une valeur
donnée m0 . Règle de décision, région critique : On suppose que la moyenne m de la population est égale à une certaine
valeur m0. Cette hypothèse est appelée hypothèse nulle, on la note H 0 : m = m0, l'hypothèse H1 : m ≠ m0 est l’hypothèse
alternative. La variable aléatoire qui à tout échantillon non exhaustif de taille n associe la moyenne de cet échantillon
suit donc approximativement la loi normale N( m ; σ/ ), donc la variable aléatoire( /σ)( - m) suit la loi
normale centrée réduite N( 0 ;1) donc pour tout réel t , on a : ( voir loi
d'échantillonnage ) En supposant que m = m0, on peut donc dire que l'on a une probabilité de 1 - que la moyenne de
l'échantillon soit dans l'intervalle : où t est le nombre réel tel que 2 Π( t ) - 1 = 1 - ou
encore Π( t ) = 1 - / 2 et par conséquent la probabilité que la moyenne de l'échantillon soit en dehors de l'intervalle.
Autrement dit au seuil de risque , on peut fixer la règle suivante :
68
cette régle est appelé règle de décision. La région où on

refuse H0 est appelée région critique
o Comparaison d'une fréquence à une valeur donnée
o Objectif : On prélève un échantillon prélèvé de taille n , de fréquence f , on veut savoir si on peut accepter au
seuil de risque α , que la fréquence p inconnue de la population soit égale à une valeur donnée p 0 . Régle de décision,
région critique : On suppose que la fréquence p de la population est égale à une certaine valeur p 0. Cette hypothèse est
appelée hypothèse nulle, on la note H0 : p = p0, l'hypothèse H1 : p ≠ p0 est l' hypothèse alternative. Soit F la variable
aléatoire qui à tout échantillon de taille n fait correspondre la fréquence de cet échantillon.
On sait que F suit approximativement une loi N( p ; = ) avec pour n suffisamment grand
Donc la variable aléatoire T définie par :

suit approximativement une loi normale centrée réduite N(0 ; 1) donc pour tout réel t , on a :
( voir loi d'échantillonnage ) En supposant que p = p0, on peut

donc dire que l'on a une probabilité de 1 - α que la fréquence f de l'échantillon soit dans
l'intervalle : où t est le nombre réel tel que 2 Π( t ) - 1 = 1 - α ou

encore Π( t ) = 1 - α / 2 et par conséquent la probabilité α que la fréquence de l'échantillon soit en dehors de l'intervalle.
Autrement dit au seuil de risque α , on peut fixer la règle suivante :
cette régle est appelé règle de décision.

La région où on refuse H0 est appelée région critique .
Objectif : On considère deux populations P1 et P2 de moyennes respectives inconnues m1 , m2 ; d'écart type connu 1 et
2 . Les échantillons que l'on prélève sont de tailles respectives n 1 et n2 , de moyennes 1 et 2 . On veut savoir si on peut
accepter au seuil de risque α l' hypothèse m1 = m2 .Régle de décision, région critique : On suppose que les deux
moyennes m1 et m2 des deux population sont les mêmes. Cette hypothèse est appelée hypothèse nulle, on la note H 0 : m1 =
m2 , l'hypothèse H1: m1 ≠ m2 est l' hypothèse alternative. Soient X1 la variable aléatoire qui à tout échantillon de taille n 1de
la population P1 fait correspondre la moyenne de l'échantillon, et X 2 la variable aléatoire qui à tout échantillon de taille
n2 de la population P2 fait correspondre la moyenne de l'échantillon. Ces deux variables aléatoires que l'on suppose
indépendantes suivent respectivement ( pour des échantillons de tailles suffisamment grandes ) les lois N(m 1 ; /
1 ) et
N( m2 ; 1/ ) En supposons que m1 = m2 , on peut donc en déduire que la variable aléatoire D = X 2 - X1 suit une loi N(
69
0 ; ) où est égal à

Donc la variable aléatoire D définie par T = D/ suit approximativement une loi normale centrée réduite N(0 ; 1) donc
pour tout réel t , on a :
( voir loi d'échantillonnage )

En supposant que m1 = m2 , on peut donc dire que l'on a une probabilité de 1 - α que la différence
d = 2 - 1 soit dans l'intervalle :
où t est le nombre réel tel que 2 Π( t ) - 1 = 1 - α ou encore Π( t ) = 1 - α / 2 et par conséquent la probabilité α que la
fréquence de l'échantillon soit en dehors de l'intervalle. Autrement dit au seuil de risque α , on peut fixer la règle
suivante :
cette règle est appelé règle de décision. La région où on refuse H 0 est appelée région critique
Comparaison de deux fréquences
Objectif : On prélève des échantillons dans deux populations P 1 et P2 de tailles respectives n1 et n2 et de fréquence f1 et f2 .
on veut savoir si on peut accepter au seuil de risque α, que les fréquences p 1 et p2 des deux populations sont égales.
Régle de décision, région critique : On suppose que les fréquences p1 et p2 des deux populations sont égales. Cette
hypothèse est appelée hypothèse nulle, on la note H 0 : p1 = p2 . L’hypothèse H1 : p1 ≠ p2est l’hypothèse alternative. Soient
F1 la variable aléatoire qui à tout échantillon de taille n 1 prélevé dans la population fait correspondre la fréquence de cet
échantillon. et F2 la variable aléatoire qui à tout échantillon de taille n 2 prélevé dans la population fait correspondre la
fréquence de cet échantillon. On sait que F 1 et F2 sont indépendantes et suivent approximativement des loi normales
respectivement de moyennes p1 et p2 et d'écarts types 1 et 2 tels que :

Donc la variable aléatoire D définie par : D = F 2 - F1 suit une loi normale de moyenne nulle et d'écart type :

Les fréquences p1 et p2 des populations sont inconnues donc prends pour 1 et 2 leurs estimations ponctuelles à partir
des échantillons :

Donc la variable aléatoire D définie par T = D/ suit approximativement une loi normale centrée réduite N(0 ; 1) donc
pour tout réel t , on a :
70

où t est le nombre réel tel que 2 Π( t ) - 1 = 1 - α ou encore Π( t ) = 1 - α / 2 et par conséquent la probabilité α que la
fréquence de l'échantillon soit en dehors de l'intervalle. Autrement dit au seuil de risque α , on peut fixer la règle
suivante :

seuil de risque :
Loi d'échantillonnage de la moyenne

On considère une population mère et X une variable aléatoire définissant le caractère étudié de cette population
d'espérance mathématique
E(X) = m et d'écart type .
On prélève des échantillons de taille n de cette population, ce qui correspond à n variables aléatoires
indépendantes X1, X2, X3, ..... , Xn de même loi que X.
La loi d'échantillonnage de taille n de la moyenne des n variables aléatoires peut être approchée par la loi normale
N( m ; / ) pour n suffisamment grand.
En effet
E( ) = (1/n)(E(X1) + E(X2) + E(X3) + .....+ E(Xn ) ) = (1/n) (n E(X)) = E(X) = m
V( ) = (1/n²)(V(X1) + V(X2) + V(X3) + .....+ V(Xn ) )
= (1/n²) (n V(X)) = V(X)/n
( ) = /
Loi d'échantillonnage de la fréquences
On considère une population mère et A une classe ( catégorie ) de cette population c'est à dire un sous ensemble de
.
Soit X une variable aléatoire à valeur dans {0 ; 1 } définie de la façon suivante pour tout élément de :
X( ) = 1 si A
X( ) = 0 si A
On a :
P(X = 1) = P(A) = p où p représente la proportion ou fréquence d'éléments de catégorie A dans la population .
P(X = 0) = P( ) = 1 - p = q où q représente la proportion ou fréquence d'éléments de n'étant pas de catégorie A dans la
population .
On prélève un échantillon de taille n de cette population, c'est à dire n éléments de ce qui correspond à n variables
aléatoires indépendantes X1, X2, X3, ..... , Xn de même loi que X.
On a :
E(X) = 0×P(X = 0) + 1× P(X = 1) = p
V(X) = (0 - p)²×P(X = 0) + (1 - p)×P(X = 1) = p (1 - p) = pq
La variable aléatoire définie par =(X1 + X2 + X3 + .....+ Xn ) /n
associe à tout échantillon de taille n la fréquence d'éléments de catégorie A de cet échantillon.
La loi d'échantillonnage de la fréquence d'éléments de catégorie A peut-être approchée par la loi normale N( p ; )
pour n suffisamment grand avec
71
En effet :
72

Correction TD Statistique Inférentielle

Transféré par

Droits d'auteur :

Formats disponibles

Correction TD Statistique Inférentielle

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Correction TD Statistique Inférentielle

Transféré par

Droits d'auteur :

Formats disponibles

PREPA EXAM RAPPELS COURS TD ET CORRECTION 2019-2020

CHAPITRE II : LES VARIABLES ALEATOIRES …………………………………

CHAPITRE III : LES LOIS DE PROBABILITES USUELLES…………………

CHAPITRE IV : LES COUPLES DE VARIABLES ALEATOIRES ……………

CHAPITRE VI : ESTIMATION PONCTUELLE ET PAR INTERVALLE DE CONFIANCE .

CHAPITRE VII : LES TESTS STATISTIQUES…………………………

CHAPITRE VIII : LE TABLEAU ANOVA………………………………

Rappels des éléments d’Analyse

PERMUTATIONS SANS PERMUTATIONS AVEC

ARRANGEMENT SANS ARRANGEMENT AVEC

COMBINAISON SANS COMBINAISON AVEC

II. RAPPELS DES ELEMENTS DE CALCULS DES

Nombres decas favorables

3- Complément d’un événement

4- La loi de la somme ou Axiome des probabilités totales dans le cas

9- Schéma de tirage exhaustif (ou sans remise)

10- Schéma de tirage bernoullien (ou avec remise)

Les variables aléatoires

Exemples de variables aléatoires discrètes

2- Distribution de probabilité discrète (ou loi de probabilité

Exemples de variables aléatoires continues

 Gérer une banque Temps écoulé entre les arrivés x≥0

 Remplir une canette Nombre de centilitres 0 ≤ x ≤ 33

 Tester un nouveau Température à laquelle la

2- Distribution de probabilité continue : Fonction de répartition

LES LOIS DE PROBABILITES

La loi Evénement ayant

La loi de Utilisé pour

La loi Équiprobabilité 1 n+1 2

La loi Evénement ayant P ( X=x )= ( q )

II. LOIS CONTINUES USUELLES

UN ESTIMATEUR ET UNE ESTIMATION

Mathématiquement cela se traduit par

Un estimateur convergent veut simplement dire que si on ajoute de l’information (taille de

ESTIMATION PAR INTERVALLE DE

 Estimation par intervalle de la moyenne d’une population σ connu

II- DIFFERENCE ENTRE UN TEST PARAMETRIQUE ET UN TEST NON

III- DEFINITION ET TYPOLOGIE DES ERREURS QUI PEUVENT SURVENIR DANS UN

IV- SEUIL DE SIGNIFICATION D’UN TEST

V- PUISSANCE D’UN TEST

VI- STATISTIQUE D’UN TESTσ CONNU

II- LE TABLEAU ANOVA

Erreur SCE nT −k SCE

PREPARATION POUR L’EXAMEN DE FIN

Un arrangement est une disposition ordonnée de p éléments choisit dans un ensemble n.

8-Définir échantillonnage et citer les méthodes d’échantillonnage.

 Les méthodes d’échantillonnages sont :

10- Quelle est la différence entre un estimateur et une estimation ?

19- Même question si où σ est connue

La fonction f définie donc une densité de probabilité .

La fonction f définie donc une densité de probabilité .

Γ ( 2 )=( 2−1 ) !=1 !=1

⟺λ ( −110 +1)=1 ⟺ λ ( 109 )=1 ⟹ λ= 109

Conclusion: f λ est une densité de probabilité si et seulement si λ=1

∫ λ e−λx dx=0,05 ⟺ [−e− λx ]700 =0,05 ⟺1−e−70 λ =0,05

¿ 1−[−e−λx ]0 =1−[ −e−30× λ −(−e−0 × λ ) ] =1+e−30 λ −1=e−30 λ

2- Moyenne et écart-type de la population

3- Moyenne et écart-type de la distribution d’échantillonnage des moyennes

Echantillon Moyenne de Variance de Ecart-type de